CN112789083A - 心脏快速性心律失常的多层预测 - Google Patents

心脏快速性心律失常的多层预测 Download PDF

Info

Publication number
CN112789083A
CN112789083A CN201980064900.3A CN201980064900A CN112789083A CN 112789083 A CN112789083 A CN 112789083A CN 201980064900 A CN201980064900 A CN 201980064900A CN 112789083 A CN112789083 A CN 112789083A
Authority
CN
China
Prior art keywords
patient
arrhythmia
probability
occur
parameterized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980064900.3A
Other languages
English (en)
Inventor
T·D·哈达德
A·I·阿贝拉特纳
M·L·布朗
D·R·马斯格鲁夫
A·拉德克
M·V·塔斯高恩卡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medtronic Inc
Original Assignee
Medtronic Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Medtronic Inc filed Critical Medtronic Inc
Publication of CN112789083A publication Critical patent/CN112789083A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3925—Monitoring; Protecting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/395—Heart defibrillators for treating atrial fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • A61N1/3962—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion in combination with another heart therapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3987—Heart defibrillators characterised by the timing or triggering of the shock
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/37—Monitoring; Protecting
    • A61N1/3706—Pacemaker parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/37211—Means for communicating with stimulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Abstract

公开用于预测患者中的心律不齐的多层系统的技术。在一个实例中，计算设备处理患者的参数化患者数据和提供者数据以产生在第一时间段内所述患者中将发生心律不齐的长期概率。响应于确定在所述第一时间段内可能发生所述心律不齐，所述计算设备使医疗设备处理所述参数化患者数据以产生在第二时间段内所述患者中将发生所述心律不齐的短期概率。响应于确定在所述第二时间段内可能发生所述心律不齐，所述医疗设备执行补救动作以降低将发生所述心律不齐的似然度。

Description

心脏快速性心律失常的多层预测
技术领域
本公开大体上涉及医疗设备，并且更具体地涉及可植入医疗设备。
背景技术
恶性快速性心律失常，例如心室纤颤，为心脏中心室的心肌的不协调收缩并且为心脏骤停患者最常见的心律失常。如果这种心律失常持续几秒以上，那么可导致心源性休克并且停止有效的血液循环。因此，心脏性猝死(SCD)可在几分钟内发生。
在具有心室纤颤高风险的患者中，使用可植入医疗设备(IMD)(如可植入心脏复律器除颤器(ICD))已示出为有益于预防SCD。ICD为电池供电的电击设备，其可包含典型地联接到放置在心脏内的一条或多条电引线的电壳体电极(有时被称为罐形电极)。如果感测到心律失常，那么ICD可经由电引线发送脉冲，以对心脏进行电击并且恢复其正常节律。一些ICD已被配置成在递送电击之前通过递送抗心动过速起搏(ATP)来尝试终止检测到的快速性心律失常。此外，ICD已被配置成在电击成功终止快速性心律失常后递送相对较高幅值的电击后起搏，以便支持心脏从电击中恢复。一些ICD还递送心动过缓起搏、心脏再同步治疗(CRT)或其它形式的起搏。
发明内容
一般而言，本公开描述用于患者中的心律不齐的多层预测的技术。在一些实例中，多层系统实施这些技术。在一个实例中，计算设备接收由患者的医疗设备的一个或多个电极和/或传感器收集的参数化患者数据。计算设备可另外从数据库接收患者的提供者数据。在一些实例中，计算设备为云计算系统。计算设备将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于患者的参数化患者数据和提供者数据以产生在第一时间段(例如，典型地为约24小时至约48小时)内患者中将发生心律不齐的长期概率。计算设备确定长期概率是否超过长期预定阈值，并且响应于确定长期概率超过长期预定阈值，将指令发送到医疗设备，使医疗设备确定在第二时间段(例如，比第一时间段短，并且典型地约30分钟至约60分钟)内患者中将发生心律不齐的短期概率。在一些实例中，长期预定阈值为50％。
响应于从计算设备接收指令，医疗设备处理随后的参数化患者数据以产生在第二时间段内患者中将发生心律不齐的短期概率。响应于确定短期概率超过短期预定阈值，医疗设备执行补救动作以减少在第二时间段内患者中将发生心律不齐的短期概率。举例来说，医疗设备可向计算设备发布在第二时间段内患者中将发生心律不齐的短期概率的通知，使得患者或临床医生可变得知道在第二时间段内患者中将发生心律不齐的似然度。在另一个实例中，医疗设备(或患者本地并且与确定短期概率的医疗设备通信的另一个医疗设备)发起药物递送治疗或电起搏治疗以降低在第二时间段内患者中将发生心律不齐的似然度。在一些实例中，短期预定阈值为95％。
作为前述实例，响应于确定在接下来的24小时内患者中将发生心律不齐的似然度大于50％，计算设备将指令发送到医疗设备，使医疗设备确定短期概率。响应于确定在接下来的60分钟内患者中将发生心律不齐的似然度大于95％，医疗设备执行补救动作以降低在接下来的60分钟内患者中将发生心律不齐的似然度。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。另外，关于快速性心律失常在接下来的几分钟或几小时内发生的似然度相对较高的知识可用于指导患者的预防性治疗或紧急护理。此外，如本文公开的这类系统可将计算上昂贵并且耗能的长期心律不齐预测操作从患者的个人医疗设备移动到云计算系统，并且仅当云计算系统预测在接下来的几天内发生心律不齐的似然度相对较高时才激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
在一个实例中，本公开描述一种计算设备，其包括处理电路系统和存储介质，计算设备被配置成：接收患者的参数化患者数据；将使用多个患者的参数化患者数据训练的机器学习模型应用于参数化患者数据以产生在第一时间段内患者中将发生心律不齐的第一概率；确定第一概率超过预定阈值；和响应于第一概率超过预定阈值的确定，将指令发送到第二设备，使第二设备确定在第二时间段内患者中将发生心律不齐的第二概率。
在另一个实例中，本公开描述一种设备，其被配置成：经由多个电极或传感器中的一个或多个收集患者的参数化患者数据；从计算设备接收产生在一定时间段内患者中将发生心律不齐的概率的指令；响应于指令，处理参数化患者数据以产生在一定时间段内患者中将发生心律不齐的概率；确定概率超过预定阈值；和响应于概率超过预定阈值的确定，执行补救动作以减少在一定时间段内患者中将发生心律不齐的概率。
在另一个实例中，本公开描述一种外部设备，其被配置成：接收产生在第一时间段内患者中将发生心律不齐的第一概率的指令；响应于指令，处理参数化患者数据以产生在第一时间段内患者中将发生心律不齐的第一概率；确定第一概率超过第一预定阈值；和响应于第一概率超过第一预定阈值的确定，将指令发送到医疗设备，使医疗设备确定在第二时间段内患者中将发生心律不齐的第二概率。
在另一个实例中，本公开描述一种方法，其包括：由包括处理电路系统和存储介质的计算设备接收患者的参数化患者数据；通过计算设备将使用多个患者的参数化患者数据训练的机器学习模型应用于参数化患者数据以产生在第一时间段内患者中将发生心律不齐的第一概率；通过计算设备确定第一概率超过预定阈值；和响应于第一概率超过预定阈值的确定，通过计算设备将指令发送到第二设备，使第二设备确定在第二时间段内患者中将发生心律不齐的第二概率。
在另一个实例中，本公开描述一种方法，其包括：通过设备收集患者的参数化患者数据；通过设备从计算设备接收产生在一定时间段内患者中将发生心律不齐的概率的指令；响应于指令，通过设备处理参数化患者数据以产生在一定时间段内患者中将发生心律不齐的概率；通过设备确定概率超过预定阈值；和响应于概率超过预定阈值的确定，通过设备执行补救动作以减少在一定时间段内患者中将发生心律不齐的概率。
本发明内容旨在提供本公开中所描述的主题的概述。并不旨在提供对在以下附图和描述中详细描述的设备和方法的排他性或穷尽性解释。在以下附图和描述中阐述一个或多个实例的另外的细节。
附图说明
图1为说明根据本公开的技术的用于预测心律不齐的实例系统的框图。
图2为更详细地说明图1的系统的IMD和引线的概念图。
图3为根据本公开的技术的实例可植入医疗设备的框图。
图4为说明根据本公开的一种或多种技术进行操作的实例计算设备的框图。
图5为说明根据本公开的一种或多种技术进行操作的实例外部设备的框图。
图6为说明根据本公开的技术的实例操作的流程图。
图7为说明根据本公开的技术的实例操作的流程图。
图8A为说明根据本公开的技术的实例操作的流程图。
图8B为另外详细地说明图8A的实例中描绘的用于心律不齐的长期预测的算法的框图。
图8C为另外详细地说明图8A的实例中描绘的用于心律不齐的中期预测的算法的框图。
图8D为另外详细地说明图8A的实例中描绘的用于心律不齐的短期预测的算法的框图。
图9为说明根据本公开的技术的用于心律不齐的短期预测的实例算法的框图。
在整个附图和描述中，相同的附图标记是指相同的元件。
具体实施方式
图1为说明根据本公开的技术的用于预测心律不齐的实例系统的框图。系统10包含医疗设备。这类医疗设备的一个实例为图1中描绘的IMD 16。如由图1中的实例系统10所说明，在一些实例中，IMD 16可为例如可植入心脏起搏器、可植入心脏复律器/除颤器(ICD)或起搏器/心脏复律器/除颤器。IMD 16连接到引线18、20和22，并且通信地联接到外部设备27，其继而通信地联接到通信网络25上的计算设备24。
IMD 16经由一根或多根引线18、20和22上的电极或IMD 16的壳体感测伴随心脏12的去极化和复极化的电信号，例如心电描记图(EGM)。IMD 16还可经由位于一根或多根引线18、20和22上的电极或IMD 16的壳体以电信号的形式向心脏12递送治疗。治疗可为起搏、心脏复律和/或除颤脉冲。IMD 16可监视由引线18、20或22上的电极收集的EGM信号，并且基于EGM信号诊断和医治心脏事件。
在一些实例中，IMD 16包含通信电路系统17包含用于与另一个设备(如图1的外部设备27)进行通信的任何合适的电路系统、固件、软件或其任何组合。举例来说，通信电路系统17可包含用于与其它设备(如计算设备24)进行射频通信的一个或多个处理器、存储器、无线电、天线、发射机、接收机、调制和解调电路系统、滤波器、放大器等。IMD 16可使用通信电路系统17从外部设备27接收下行链路数据以控制IMD 16的一个或多个操作和/或将上行链路数据发送到外部设备27。
引线18、20、22延伸到患者14的心脏12中，以感测心脏12的电活动和/或向心脏12递送电刺激。在图1所示的实例中，右心室(RV)引线18延伸穿过一条或多条静脉(未示出)、上腔静脉(未示出)和右心房26，并且进入右心室28。左心室(LV)引线20延伸穿过一条或多条静脉、腔静脉、右心房26，并且进入冠状窦30中，到达与心脏12的左心室32的自由壁相邻的区域。右心房(RA)引线22延伸穿过一条或多条静脉和腔静脉，并且进入心脏12的右心房26。
虽然图1的实例系统10描绘IMD 16，但在其它实例中，本公开的技术可应用于不一定为可植入的其它类型的医疗设备。举例来说，根据本公开的技术的医疗设备可包含患者14所穿戴的可穿戴医疗设备或“智能”服装。举例来说，这类医疗设备可采取患者14佩戴的手表或以粘附方式附连到患者14的电路系统的形式。在另一个实例中，如本文所述的医疗设备可包含具有可植入电极的外部医疗设备。
在一些实例中，外部设备27采取外部编程器或移动设备的形式，如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)、可穿戴电子设备等。在一些实例中，外部设备27为可购自美敦力有限公司(Medtronic,Inc)的CareLinkTM监视器。用户(如医生、技术人员、外科医生、电生理学家或其它临床医生)可与外部设备27交互以从IMD 16检索生理或诊断信息。用户(如，如上所述的患者14或临床医生)还可与外部设备27交互以对IMD 16进行编程，例如，为IMD 16的操作参数选择或调整值。外部设备27可包含能够向IMD 16和计算设备24中的每一个发送信息和从其接收信息的处理电路系统、存储器、用户接口和通信电路系统。
在一些实例中，计算设备24采取手持式计算设备、计算机工作站、服务器或其它连网的计算设备、智能电话、平板计算机或外部编程器的形式，其包含用于向用户呈现信息并且从用户接收输入的用户接口。在一些实例中，计算设备24可包含实施机器学习系统的一个或多个设备，例如神经网络、深度学习系统或其它类型的预测分析系统。用户(如医生、技术人员、外科医生、电生理学家或其它临床医生)可与计算设备24交互以从IMD 16检索生理或诊断信息。用户还可与计算设备24交互以对IMD 16进行编程，例如，为IMD的操作参数选择值。计算设备24可包含处理器，其被配置成评估从IMD 16发送到计算设备24的EGM和/或其它感测的信号。
网络25可包含一个或多个计算设备(未示出)，如一个或多个非边缘交换机、路由器、集线器、网关、安全设备(如防火墙)、入侵检测和/或入侵防护设备、服务器、计算机终端、膝上型计算机、打印机、数据库、无线移动设备(如蜂窝电话或个人数字助理)、无线接入点、网桥、电缆调制解调器、应用程序加速器或其它网络设备。网络25可包含由服务提供者管理的一个或多个网络，并且因此可形成大规模公共网络基础结构(例如因特网)的一部分。网络25可向如计算设备24和IMD 16的计算设备提供对因特网的接入，并且可提供允许计算设备彼此通信的通信框架。在一些实例中，网络25可为提供通信框架的专用网络，其允许计算设备24、IMD 16、提供者数据库66和索赔数据库68彼此通信，但是出于安全目的将计算设备24、IMD16、提供者数据库66和索赔数据库68与外部设备隔离。在一些实例中，计算设备24、IMD 16、提供者数据库66和索赔数据库68之间的通信被加密。
外部设备27和计算设备24可使用本领域中已知的任何技术通过网络25经由无线通信进行通信。在一些实例中，计算设备24为经由位于网络25中的中间设备(如本地接入点、无线路由器或网关)与外部设备27通信的远程设备。虽然在图1的实例中，外部设备27和计算设备24通过网络25通信，但在一些实例中，外部设备27和计算设备24直接彼此通信。通信技术的实例可包含例如根据
Figure BDA0003001797700000061
或
Figure BDA0003001797700000062
低能量(BLE)协议的通信。还考虑其它通信技术。计算设备24还可使用多种已知的有线和无线通信技术与一个或多个其它外部设备进行通信。
提供者数据库66存储患者14的提供者数据。索赔数据库68可存储患者14的索赔或付款人信息，如由保险提供者或患者14的其他付款人存储的健康记录。提供者数据库66和索赔数据库68可包含处理电路系统和一个或多个存储介质(例如，随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)或闪存。在一些实例中，提供者数据库66为云计算系统。在一些实例中，提供者数据库66的功能分布在多个计算系统上。
根据本公开的技术，系统10提供患者中的心律不齐的多层预测。在一些实例中，系统10提供心室性心律失常的长期和短期预测。在一些实例中，长期时间段为约24小时至约48小时。在一些实例中，短期时间段为约30分钟至约60分钟。在一些实例中，长期时间段为大于约1天并且小于约1周并且短期时间段为大于约1分钟并且小于约1天。在一些实例中，长期时间段为小于约1天并且短期时间段为小于约1小时。
在一个实例中，计算设备24接收由患者14的医疗设备收集的参数化患者数据。在一些实例中，参数化患者数据包含患者14的生理数据，如以下中的一个或多个：患者14的活动水平、患者14的心率、患者14的姿势、患者14的心电描记图、患者14的血压、患者14的脉搏传导时间、患者14的呼吸速率、患者14的低通气指数或呼吸暂停、患者14的加速计数据、从患者14的加速计数据得出的特征(如活动计数、姿势、统计控制过程变量等)、患者14的原始肌电图、从患者14的原始肌电图得出的一个或多个特征(如心率变异性、t波交替、QRS形态等)、间隔数据和从间隔数据得出的特征、心音、钾水平、血糖指数、患者14的温度或可从上述参数化数据得出的任何数据，或任何其它类型的参数化患者数据。在一些实例中，参数化患者数据包含患者14的行为数据或人口统计数据，如患者14的年龄、患者14的性别、患者14的活动方式、患者14的睡眠方式、患者14的步态改变，或医疗设备或患者14的温度趋势。在一些实例中，医疗设备可通过处理来自一个或多个传感器的信息来自动产生参数化患者数据。举例来说，医疗设备可经由一个或多个传感器确定患者14跌倒、患者14虚弱或患有疾病，或者患者14患有睡眠呼吸暂停的例子。
在一些实例中，参数化患者数据包含环境数据，如空气质量测量、臭氧水平、颗粒计数或接近患者14的污染水平、环境温度或白昼时间。在一些实例中，医疗设备、传感器80或外部设备27中的一个可经由一个或多个传感器来感测环境数据。在另一个实例中，环境数据由外部设备27经由在外部设备27上执行的应用程序(如天气应用程序)接收，并且通过网络25上传到计算设备24。在另一个实例中，计算设备24直接从具有患者14的基于位置的数据的云服务收集环境数据。
在一些实例中，参数化患者数据包含由患者14经由外部设备(如外部设备27)上传的患者症状数据。举例来说，患者14可经由在智能手机上执行的应用程序上传患者症状数据。在一些实例中，患者14可经由用户接口(图1中未描绘)，如通过触摸屏、键盘、图形用户接口、语音命令等上传上传患者症状数据。在其它实例中，可经由外部设备27的照相机获得患者的图像并且处理患者的图像以识别患者症状数据。
在一些实例中，参数化患者数据包含设备相关数据，如以下中的一个或多个：医疗设备的一个或多个电极的阻抗、电极的选择、医疗设备的药物递送时间表、递送到患者的电起搏治疗史、医疗设备的诊断数据、检测到的患者14的活动水平、检测到的患者14的姿势、检测到的医疗设备或患者的温度，或检测到的患者的睡眠状态，例如无论患者是处于休眠还是处于清醒。在一些实例中，计算设备24周期性地(例如每天)接收参数化患者数据。在一些实例中，收集参数化患者数据的医疗设备为IMD，如IMD 16。在其它实例中，收集参数化患者数据的医疗设备为另一种类型的患者设备。可收集参数化患者数据的医疗设备的实例包含IMD 16、传感器80A-80B(统称为“传感器80”)、可穿戴设备或外部设备27，如患者14的患者编程器、临床医生编程器或移动设备(例如，智能手机)。可穿戴设备包含可穿戴传感器80A、可穿戴医疗设备或其它可穿戴电子设备。
在一些实例中，可使用传感器80来收集患者14的参数化患者数据。传感器80中的每一个可包含一个或多个加速计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，传感器80可感测包含以下中的一个或多个的参数化患者数据：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。在图1的实例中，传感器80A为可穿戴传感器，并且传感器80B为不可穿戴传感器。如图1中所描绘，传感器80A定位在患者14的上臂上。然而，其它类型的可穿戴传感器80可定位在患者14的其它身体部位上，或者并入患者14的服装中，如在衣服、鞋子、眼镜、手表或腕带、帽子等内。
计算设备24另外从提供者数据库66和索赔数据库68接收患者14的提供者数据。为了方便起见，术语“提供者数据”在全文中用于指代关于患者14的不同类型的医疗信息，并且包含由提供者数据库66、索赔数据库68或图1中未明确描绘的其它健康信息源存储的数据。在一些实例中，提供者数据可包含关于患者14的许多不同类型的历史医疗信息。历史医疗信息可包含例如电子医疗记录(EMR)数据、电子健康记录(EHR)数据、来自不同医疗保健提供者、实验室、临床医生、保险公司等的数据。历史医疗信息可存储在由不同的不相关实体管理的多个不同数据库。作为一个非限制性实例，提供者数据库66可存储作为实例的患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平、患者14的一个或多个实验室测试结果、患者14的心血管史或患者14的并存病如心房纤颤、心力衰竭或糖尿病。作为另外的实例，提供者数据库66可存储患者14的医疗图像，如x射线图像、超声图像、超声心动图、解剖图像、医疗照片、放射线图像等。索赔数据库68可存储患者14的索赔或付款人信息，如由患者14的保险提供者或其他付款人存储的健康记录。典型地，提供者数据为患者特定的，例如特定地指患者14的病史。然而，在一些实例中，提供者数据可包含多个患者的更广泛的人口统计信息或人群类型信息。举例来说，提供者数据可包含与已去除患者特定信息的患者14相似的一个或多个人群类型的多个患者的医疗记录。
计算设备24将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以执行对患者14的长期监视。在一些实例中，计算设备24通过产生在第一时间段(例如，典型地为约24小时至约48小时)内患者14中将发生心律不齐的长期概率来执行长期监视。计算设备24确定长期概率是否超过长期预定阈值，并且响应于确定长期概率超过长期预定阈值，发送指令，使IMD 16执行对患者14的短期监视。在一些实例中，计算设备24将指令发送到外部设备27，其继而将指令发送到IMD16。在一些实例中，临床医生将长期预定阈值选择为确保在预测心律不齐中的高灵敏度的值。在一些实例中，长期预定阈值为50％。在一些实例中，长期预定阈值为另一个阈值，如75％、80％、90％或95％。在一些实例中，指令使IMD 16通过确定在第二时间段(例如，典型地为约30分钟至约60分钟)内患者14中将发生心律不齐的短期概率来执行短期监视。在一些实例中，响应于确定长期概率超过长期预定阈值，计算设备24可执行其它动作，如通知临床医生长期概率已超过长期预定阈值或计算系统24已确定患者14在第一时间段内很可能患有心律不齐。
响应于从计算设备24接收指令，IMD 16处理随后的参数化患者数据以产生在第二时间段内患者14中将发生心律不齐的短期概率。在一些实例中，IMD 16通过对随后的参数化患者数据执行特征检测来产生短期概率。在一些实例中，IMD 16可分析与如上所述由计算设备24分析的参数化患者数据相似的参数化患者数据。在其它实例中，IMD 16分析与由计算设备24分析的参数化患者数据不同的参数化患者数据。举例来说，计算设备24可分析表示在长期时间段(例如，约24小时至约48小时)内平均的一个或多个值的参数化患者数据，而IMD 16可分析表示在短期时间段(例如，约30分钟至约60分钟)内平均的一个或多个值的参数化患者数据。
响应于确定短期概率超过短期预定阈值，IMD 16执行补救动作以减少在第二时间段内患者14中将发生心律不齐的短期概率。在一些实例中，临床医生将短期预定阈值选择为确保在预测心律不齐中的高特异性的值。在一些实例中，短期预定阈值为95％。在一些实例中，短期预定阈值为另一个阈值，如80％、90％、99％或99.5％或99.9％。
举例来说，IMD 16可将在第二时间段内患者14中将发生心律不齐的短期概率的通知发布给计算设备24，使得患者14或临床医生可变得知道在第二时间段内患者14中将发生心律不齐的似然度。在另一个实例中，IMD 16向患者14发起治疗，如药物递送治疗或电起搏治疗，以降低在第二时间段内患者14中将发生心律不齐的似然度。
在一些实例中，响应于来自计算设备24的指令，IMD 16处理参数化患者数据以产生患者14中将发生心律不齐的短期概率，并且确定短期概率是否一次超过短期预定阈值。在其它实例中，IMD 16处理参数化患者数据以产生患者14中将发生心律不齐的短期概率，并且确定短期概率是否在第一时间段内连续超过短期预定阈值。在其它实例中，IMD 16处理参数化患者数据以产生患者14中将发生心律不齐的短期概率，并且在第一时间段期间(例如，每10分钟一次、每小时一次、每天一次等)周期性地几次确定短期概率是否超过短期预定阈值。
在一些实例中，在确定在第一时间段内患者中将发生心律不齐的似然度已降低后，IMD 16停止执行短期监视。举例来说，IMD 16可停止处理随后的参数化患者数据以产生在第一时间段内患者14中将发生心律不齐的短期概率。在一些实例中，IMD 16在经过一定量的时间(例如，长期时间段)之后停止执行短期监视。在一些实例中，IMD 16在比长期时间段长的一定时间段之后停止执行短期监视。在一些实例中，IMD 16在约1天之后停止执行短期监视。在一些实例中，IMD 16在约1周之后停止执行短期监视。在一些实例中，IMD 16执行对患者14的短期监视的时段与长期时间段大约相同。在其它实例中，IMD 16执行对患者14的短期监视的时段大于或小于长期时间段。
在一些实例中，IMD 16响应于从计算设备24接收指令而停止执行短期监视。举例来说，响应于确定在第一时间段内患者14中将发生心律不齐的长期概率已减少至小于长期预定阈值，计算设备24将指令发送到IMD 16以停止执行短期监视。
通过处理参数化患者数据以仅在通过计算设备24指示时产生短期概率，IMD 16仅在这类操作对患者14有利以防止即将发生的心律不齐时执行功率密集型操作，如处理参数化患者数据。因此，与常规系统相比，IMD 16可节省功率并且因此表现出增加的电池寿命。
如图1的实例中所描绘的，IMD 16为执行对患者14的短期监视的可植入医疗设备。然而，在本公开的技术的其它实例中，另一个医疗设备，如外部设备27、传感器80中的一个或多个、可穿戴医疗设备或患者14外部的其它类型的设备，可如本文所述执行对患者14的短期监视。
在前述实例中，计算设备24为接收参数化患者数据、提供者数据的单个设备或分布式系统，并且将机器学习模型应用于参数化患者数据和提供者数据以产生在第一时间段内患者14中将发生心律不齐的长期概率，并且将指令发送到IMD 16。然而，在其它实例中，计算设备24的功能可由一组设备来执行。举例来说，外部编程器可从IMD 16接收参数化患者数据，并且将参数化患者数据上传到网络25中的本地接入点。另外，本地接入点可从提供者数据库66接收患者14的提供者数据。分布式计算系统可从本地接入点接收患者14的参数化数据和提供者数据，并且应用机器学习模型以产生在第一时间段内患者14中将发生心律不齐的长期概率。分布式计算系统可经由本地接入点将长期概率发送到外部编程器。外部编程器可确定长期概率超过长期预定阈值，并且作为响应，将指令发送到IMD 16，使IMD 16执行对患者14的短期监视。
前述实例描述两层预测系统，例如，计算设备24对患者14中的心律不齐进行第一广义的长期预测，并且IMD 16对患者14中的心律不齐进行第二细度的短期预测。然而，本公开的技术可提供具有不同数目的层的系统。举例来说，在三层预测系统中，计算设备24对患者14中的心律不齐进行第一广义的长期预测，外部设备7进行第二中间预测，并且IMD 16对患者14中的心律不齐进行第三细度的短期预测。本公开的技术的其它实例可在各种水平上并入附加预测，以另外提高患者14中的预测的心律不齐的准确性，从而产生四层、五层或更高层的系统。
另外，在两层预测系统的前述实例中，计算设备24对患者14中的心律不齐进行第一广义的长期预测，并且IMD 16对患者14中的心律不齐进行第二细度的短期预测。此外，在三层预测系统的前述实例中，计算设备24对患者14中的心律不齐进行第一广义的长期预测，外部设备27进行第二中间预测，并且IMD 16对患者14中的心律不齐进行第三细度的短期预测。然而，由计算设备24、外部设备27和/或IMD 16中的每一个进行的这些预测仅作为实例提供。在其它实例中，计算设备24、外部设备27和/或IMD 16中的每一个可针对相似或不同的时间长度进行预测。举例来说，计算设备24、外部设备27和/或IMD 16中的每一个都可能够使用本文描述的技术来执行心律不齐的长期、中间或中期或者短期预测。举例来说，计算设备24可使用参数化患者数据和提供者数据来对患者14中的心律不齐进行短期预测，并且响应于确定很可能发生心律不齐，将指令发送到IMD 16以执行产生患者14中的心律不齐的附加短期预测。
另外，在两层预测系统的前述实例中，计算设备24对患者14中的心律不齐进行第一广义的长期预测，并且IMD 16对患者14中的心律不齐进行第二细度的短期预测。响应于确定患者14中很可能发生心律不齐，IMD 16可执行补救动作以减少患者14中将发生心律不齐的短期概率。然而，在本公开的技术的其它实例中，如本文所述的多层系统可包含设备的不同组合。举例来说，两层预测系统可包含计算设备24，其对患者14中的心律不齐进行第一广义的长期预测；和外部设备27，其对患者14中的心律不齐进行第二细度的短期预测并且执行补救动作以减少患者14中将发生心律不齐的短期概率。作为另一个实例，两层预测系统可包含外部设备27，其对患者14中的心律不齐进行第一广义的长期预测；和可穿戴医疗设备(如传感器80中的一个)，其对患者14中的心律不齐执行第二细度的短期预测并且执行补救动作以减少患者14中将发生心律不齐的短期概率。在又另外的实例中，两层预测系统可包含外部设备27，其对患者14中的心律不齐进行第一广义的长期预测；和IMD 16，其对患者14中的心律不齐执行第二细度的短期预测并且执行补救动作以减少患者14中将发生心律不齐的短期概率。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。另外，关于快速性心律失常在接下来的几分钟或几小时内发生的似然度相对较高的知识可用于指导患者的预防性治疗或紧急护理。此外，如本文公开的这类系统可将计算上昂贵并且耗能的长期心律不齐预测操作从患者的个人医疗设备移动到云计算系统，并且仅当云计算系统预测在接下来的几天内发生心律不齐的似然度相对较高时才激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
图2为更详细地说明图1的系统10的IMD 16和引线18、20、22的概念图。在所说明的实例中，双极电极40和42邻近引线18的远端定位，并且双极电极48和50邻近引线22的远端定位。另外，四个电极44、45、46和47邻近引线20的远端定位。引线20可被称为四极LV引线。在其它实例中，引线20可包含更多或更少的电极。在一些实例中，LV引线20包括分段电极，例如，其中引线的多个纵向电极位置中的每一个，如电极44、45、46和47的位置，均包含围绕引线的圆周布置在相应圆周位置处的多个离散电极。
在所说明的实例中，电极40和44-48采取环形电极的形式，并且电极42和50可采取可延伸的螺旋尖端电极的形式，分别可伸缩地安装在绝缘电极头52和56内。引线18和22还分别包含细长电极62和64，它们可采取线圈的形式。在一些实例中，电极40、42、44-48、50、62和64中的每一个均电联接到其相关联的引线18、20、22的引线体内的相应导体，并且从而联接到IMD 16内的电路系统。
在一些实例中，IMD 16包含一个或多个壳体电极，如图2中所说明的壳体电极4，其可与IMD 16的气密壳体8的外表面一体形成或以其他方式联接到壳体8。在一些实例中，壳体电极4由IMD 16的壳体8的面向外部分的未绝缘部分限定。壳体8的绝缘部分和非绝缘部分之间的其它划分可用来限定两个或更多个壳体电极。在一些实例中，壳体电极基本上包括壳体8的全部。
壳体8封闭产生治疗性刺激(如心脏起搏、心脏复律和除颤脉冲)的信号产生电路系统，以及用于感测伴随心脏12的去极化和复极化的电信号的感测电路系统。壳体8还可封闭用于存储感测的电信号的存储器。壳体8还可封闭通信电路系统17，以用于IMD 16和计算设备24之间的通信。
IMD 16经由电极4、40、42、44-48、50、62和64感测伴随心脏12的去极化和复极化的电信号。IMD 16可经由电极40、42、44-48、50、62和64的任何双极组合来感测这类电信号。此外，电极40、42、44-48、50、62和64中的任一个均可与壳体电极4组合用于单极感测。
所说明的引线18、20和22以及电极的数量和配置仅仅为实例。其它配置，即引线和电极的数量和位置，也为可以的。在一些实例中，系统10可包含附加引线或引线段，其具有位于心血管系统中不同位置处的一个或多个电极，用于感测和/或向患者14递送治疗。举例来说，作为心内引线18、20和22的替代物或补充，系统10可包含没有定位在心脏12内的一个或多个心外膜或血管外(例如，皮下或胸骨下)引线。
根据本公开的技术，IMD 16从图1的计算设备24接收执行对患者14的短期监视的指令。举例来说，响应于从计算设备24接收指令，IMD 16处理随后的参数化患者数据以产生在第二时间段内患者14中将发生心律不齐的短期概率。在一些实例中，IMD 16通过对随后的参数化患者数据执行特征检测来产生短期概率。在一些实例中，IMD 16可分析与如上所述由计算设备24分析的参数化患者数据相似的参数化患者数据。在其它实例中，IMD 16分析与由计算设备24分析的参数化患者数据不同的参数化患者数据。举例来说，计算设备24可分析表示在相对长期时间段(例如，约24小时至约48小时)内平均的一个或多个值的参数化患者数据，而IMD 16可分析表示在相对短期时间段(例如，约30分钟至约60分钟)内平均的一个或多个值的参数化患者数据。如在整个公开中所使用的，本文中使用“长期时间段”和“短期时间段”来将不同长度的两个时间段彼此区分开，其中两个时间段中的一个(例如，“长期时间段”)的长度大于两个时间段中的另一个(例如，“短期时间段”)的长度。
响应于确定短期概率超过短期预定阈值，IMD 16执行补救动作以减少在第二时间段内患者14中将发生心律不齐的短期概率。举例来说，IMD 16可将在第二时间段内患者14中将发生心律不齐的短期概率的通知发布给计算设备24，使得患者14或临床医生可变得知道在第二时间段内患者14中将发生心律不齐的似然度。在另一个实例中，IMD 16向患者14发起治疗，如药物递送治疗或电起搏治疗，以降低在第二时间段内患者14中将发生心律不齐的似然度。
尽管本文在提供治疗性电刺激的实例IMD 16的上下文中进行描述，但是本文所公开的用于心律不齐的短期预测的技术可与其它类型的设备一起使用。举例来说，这些技术可用联接到心血管系统外部的电极的额外的心脏除颤器、被配置成用于植入心脏内的经导管起搏器(如可商购自爱尔兰都柏林的美敦力PLC(Medtronic PLC of Dublin Ireland)的MicraTM经导管起搏系统)、插入式心脏监视器(如Reveal LINQTM ICM，其也可商购自美敦力PLC)、神经刺激器、药物递送设备、可穿戴设备(如可穿戴心脏复律器除颤器)、健身追踪器或其它可穿戴设备、移动设备(如移动电话)、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜或“智能”手表来实施。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。另外，关于快速性心律失常在接下来的几分钟或几小时内发生的似然度相对较高的知识可用于指导患者的预防性治疗或紧急护理。此外，如本文所公开的这类系统可仅响应于云计算系统预测心律不齐在接下来的几天内发生的似然度相对较高而激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
图3为根据本公开的技术的实例IMD 16的框图。在所说明的实例中、IMD 16包含处理电路系统58、存储器59、通信电路系统17、感测电路系统50、治疗递送电路系统52、传感器57和电源54。存储器59包含计算机可读指令，所述计算机可读指令在由处理电路系统58执行时使得IMD 16和处理电路系统58执行归因于本文中的IMD 16和处理电路系统58的各种功能(例如，执行心律不齐的短期预测、递送治疗如抗心动过速起搏、心动过缓起搏和电击后起搏治疗等)。存储器59可包含任何易失性介质、非易失性介质、磁介质、光学介质或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存或任何其它数字或模拟介质。
处理电路系统58可包含微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或模拟逻辑电路系统中的任一个或多个。在一些实例中，处理电路系统58可包含多个组件(如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC或者一个或多个FPGA的任何组合)以及其它离散或集成逻辑电路系统。归因于本文中的处理电路系统58的功能可体现为软件、固件、硬件或其任何组合。
处理电路系统58控制治疗递送电路系统52，以根据可存储在存储器59中的治疗参数将刺激治疗递送到心脏5。举例来说，处理电路系统58可控制治疗递送电路系统52，以递送具有由治疗参数指定的幅度、脉冲宽度、频率或电极极性的电脉冲。以这种方式，治疗递送电路系统52可经由电极34和40将起搏脉冲(例如，ATP脉冲、心动过缓起搏脉冲或电击后起搏治疗)递送到心脏5。在一些实例中，治疗递送电路系统52可以电压或电流电脉冲的形式递送起搏刺激，例如ATP治疗、心动过缓治疗或电击后起搏治疗。在其它实例中，治疗递送电路系统52可以其它信号(如正弦波、方波或其它基本上连续的时段信号)的形式递送这些类型的刺激中的一种或多种。
治疗递送电路系统52电联接到承载在IMD 16的壳体上的电极34和40。尽管IMD 16可仅包含两个电极，例如电极34和40，但在其它实例中，IMD 16可利用三个或更多个电极。IMD 16可使用电极的任何组合来递送治疗和/或检测来自患者12的电信号。在一些实例中，治疗递送电路系统52包含充电电路、一个或多个脉冲发生器、电容器、变压器、开关模块和/或能够产生和/或存储能量以作为起搏治疗、心脏再同步治疗、其它治疗或治疗的组合进行递送的其它组件。在一些实例中，治疗递送电路系统52根据定义治疗的幅度、频率、电压或电流或治疗的其它参数的一个或多个治疗参数集将治疗作为一个或多个电脉冲进行递送。
感测电路系统50监视来自电极4、40、42、44-48、50、62和64中的两个或多个电极的一个或多个组合(也称为矢量)的信号，以便监视心脏12的电活动、阻抗或其它电现象。在一些实例中，感测电路系统50包含一个或多个模拟组件、数字组件或其组合。在一些实例中，感测电路系统50包含一个或多个感测放大器、比较器、滤波器、整流器、阈值检测器、模数转换器(ADC)等。在一些实例中，感测电路系统50将感测的信号转换为数字形式，并且将数字信号提供给处理电路系统58以进行处理或分析。在一个实例中，感测电路系统50放大来自电极4、40、42、44-48、50、62和64的信号并且通过ADC将放大的信号转换为多位数字信号。
在一些实例中，感测电路系统50执行心电描记图的感测以确定心率或心率变异性，或检测心律失常(例如，快速性心律失常或心动过缓)或从心电描记图中感测其它参数或事件。感测电路系统50还可包含开关电路系统，以根据在电流感测配置中使用的电极组合或电极矢量来选择使用哪些可用电极(和电极极性)来感测心脏活动。处理电路系统58可控制开关电路系统以选择用作感测电极的电极以及其极性。感应电路系统50可包含一个或多个检测信道，每个检测信道可联接到选择的电极配置，以经由电极配置来检测心脏信号。在一些实例中，感测电路系统50将处理的信号与阈值进行比较，以检测心房或心室去极化的存在并且向处理电路系统58指示心房去极化(例如，P波)或心室去极化(例如，R波)的存在。感测电路系统50可包括一个或多个放大器或用于将心电描记图幅度与阈值进行比较的其它电路系统，所述阈值可为可调节的。
处理电路系统58可包含定时和控制模块，其可被实现为硬件、固件、软件或其任何组合。定时和控制模块可包括与其它处理电路系统58组件(如微处理器)分离的专用硬件电路(如ASIC)，或者由可为微处理器或ASIC的处理电路系统58的组件执行的软件模块。定时和控制模块可实施可编程计数器。如果IMD 16被配置成产生心动过缓起搏脉冲并且将其递送到心脏12，那么这类计数器可控制与DDD、VVI、DVI、VDD、AAI、DDI、DDDR、VVIR、DVIR、VDDR、AAIR、DDIR和其它起搏模式相关联的基本时间间隔。
存储器59可被配置成存储各种操作参数、治疗参数、感测和检测到的数据以及与患者12的治疗和医治有关的任何其它信息。在图3的实例中，存储器58可存储例如与检测到的或预测的心律失常相关联的感测的心脏EGM，以及定义由治疗递送电路系统52提供的治疗的递送的治疗参数。在其它实例中，存储器58可充当用于存储数据的临时缓冲器，直到可将其上传到计算设备24为止。
通信电路系统17包含用于经由图1的网络25与另一个设备(如计算设备24)通信的任何合适的电路系统、固件、软件或其任何组合。举例来说，通信电路系统17可包含一个或多个天线、调制和解调电路系统、滤波器、放大器等，用于经由网络25与其它设备(如计算设备24)进行射频通信。在处理电路系统58的控制下，通信电路系统17可借助于可为内部和/或外部的天线从计算设备24接收下行链路遥测并且向计算设备24发送上行链路遥测。处理电路系统58可例如经由地址/数据总线为通信电路系统17内的遥测电路提供要上行链路到计算设备24的数据和控制信号。在一些实例中，通信电路系统17可经由多路复用器将接收到的数据提供给处理电路系统58。
电源54可为被配置成保持电荷以操作IMD 16的电路系统的任何类型的设备。电源54可作为可再充电或不可再充电电池提供。在其它实例中，电源54可并入能量清除系统，其存储来自IMD 16在患者12内的移动的电能。
根据本公开的技术，IMD 16经由感测电路系统50和/或传感器57收集患者14的参数化患者数据。传感器57可包含一个或多个传感器，如一个或多个加速计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，参数化患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。IMD 16经由通信电路系统17将参数化患者数据通过网络25上传到计算设备24和/或传感器80或外部设备27中的一个或多个。在一些实例中，活动水平可为在一定时间段(如一秒或几秒或者一分钟或几分钟)内活动的总和。在一些实例中，IMD 16每天将参数化患者数据上传到计算设备24、外部设备27和/或传感器80。在一些实例中，参数化患者数据包含表示在长期时间段(例如，约24小时至约48小时)内患者14的平均测量值的一个或多个值。在此实例中，IMD 16既将参数化患者数据上传到计算设备24，又执行对患者14的短期监视(如下所述)。然而，在其它实例中，收集参数化患者数据的医疗设备与执行对患者14的短期监视的医疗设备不同。举例来说，一个或多个其它设备，如患者14的可穿戴医疗设备或移动设备(例如，智能电话)，可收集参数化患者数据并且将参数化患者数据上载到计算设备24。
在一些实例中，处理电路系统58从图1的计算设备24接收执行对患者14的短期监视的指令。举例来说，响应于从计算设备24接收指令，处理电路系统58执行存储在存储器59中的短期预测软件60A作为短期预测软件60B。举例来说，处理电路系统58可执行短期预测软件60A以处理随后的参数化患者数据以产生在短期时间段内患者14中将发生心律不齐的短期概率。在一些实例中，处理电路系统58通过对由感测电路系统50感测的随后的参数化患者数据执行特征检测来产生短期概率。在一些实例中，处理电路系统58对心电图数据、电极阻抗测量、加速计数据、患者14的温度数据或患者14的心脏的音频数据中的一个或多个执行特征检测。
作为实例，处理电路系统58对随后的参数化患者数据，包含心电图数据执行特征检测。在此实例中，参数化患者数据包含患者14的心电图的T波的平均频率或平均幅度中的一个或多个。处理电路系统58经由感测电路系统50和/或传感器57从其中接收原始心电图信号，并且从原始心电图信号中提取特征。在一些实例中，处理电路系统58识别T波交替、QRS形态测量等中的一个或多个。举例来说，处理电路系统58识别患者14的心电图的T波的一个或多个特征并且将模型应用于一个或多个识别的特征以产生在短期时间段内患者14中将发生心律不齐的短期概率。在一些实例中，一个或多个识别的特征为T波的一个或多个幅度。在一些实例中，一个或多个识别的特征为T波的频率。在一些实例中，一个或多个识别的特征至少包含T波的幅度和T波的频率。
在一些实例中，处理电路系统58识别参数化患者数据的一个或多个识别的特征中的一个或多个相对改变，它们预测患者14中随后的心律不齐。在一些实例中，处理电路系统58识别多个识别的特征之间的一个或多个相互作用，它们预测患者14中随后的心律不齐。在一些实例中，处理电路系统58分析表示在短期时间段(例如，约30分钟至约60分钟)内平均的一个或多个值的参数化患者数据。
在一些实例中，处理电路系统58可使用识别的特征作为第二机器学习模型的输入，所述第二机器学习模型产生在短期时间段内患者14中将发生心律不齐的短期概率作为第二机器学习模型的输出。在另一个实例中，处理电路系统58使用经由感测电路系统50和/或传感器57获得的原始信号作为产生短期概率的第二机器学习模型的直接输入。在一些实例中，以与以上针对计算设备24的机器学习模型描述的训练过程类似的方式，使用多个患者的参数化患者数据和提供者数据来训练第二机器学习模型。在一些实例中，第二机器学习模型基于接收的指示患者14中是否发生心律不齐的反馈来执行纠错，以便通过从过去由第二机器学习模型做出的正确和不正确的预测中“学习”来逐步改进由第二机器学习模型做出的预测。另外，训练过程可用于另外微调使用基于人群的数据训练的第二机器学习模型，从而为特定个体提供更准确的预测。
处理电路系统58将在短期时间段内患者14中将发生心律不齐的短期概率与预定阈值进行比较。响应于确定短期概率超过预定阈值，处理电路系统58执行补救动作以减少在短期时间段内患者14中将发生心律不齐的短期概率。举例来说，处理电路系统58可经由通信电路系统17将在短期时间段内患者14中将发生心律不齐的短期概率的通知发布给计算设备24，使得患者14或临床医生可变得知道在短期时间段内患者14中将发生心律不齐的似然度。在另一个实例中，处理电路系统58使治疗递送电路系统52向患者14发起递送治疗。虽然在图3的实例中，治疗递送电路系统52被配置成递送电刺激治疗或电起搏治疗，但在其它实例中，处理电路系统58可使例如药物递送系统将药物治疗递送到患者14。因此，处理电路系统58可执行补救动作以降低在短期时间段内患者14中将发生心律不齐的似然度。
尽管本文在提供治疗性电刺激的实例IMD 16的上下文中进行描述，但是本文所公开的用于心律不齐的短期预测的技术可与其它类型的设备一起使用。举例来说，这些技术可用被配置成用于植入心脏内的经导管起搏器(如可商购自爱尔兰都柏林的美敦力PLC的MicraTM经导管起搏系统)、插入式心脏监视器(如Reveal LINQTMICM，其也可商购自美敦力PLC)、神经刺激器、药物递送设备、可穿戴设备(如可穿戴心脏复律器除颤器)、健身追踪器或其它可穿戴设备、移动设备(如移动电话)、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜或“智能”手表来实施。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几分钟或几小时内发生的似然度相对较高的知识可用于指导患者的预防性治疗或紧急护理。此外，如本文所公开的这类系统可仅响应于计算设备24预测心律不齐在接下来的几天内发生的似然度相对较高而激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的IMD 16来节省功率并且延长IMD 16的电池寿命。
图4为说明根据本公开的一种或多种技术进行操作的实例计算设备24的框图。在一个实例中，计算设备24包含处理电路系统402，其用于执行包含长期预测模块450的应用程序424或本文描述的任何其它应用程序。尽管出于实例的目的在图4中示出为独立计算设备24，但计算设备24可为包含处理电路系统或用于执行软件指令的其它合适的计算环境的任何组件或系统，并且例如不必包含图4中所示的一个或多个元件(例如，通信电路系统406；并且在一些实例中，如一个或多个存储设备408的组件可与其它组件不在同一位置或位于同一机架中)。在一些实例中，计算设备24可为跨多个设备分布的云计算系统。
如图4的实例中所示，计算设备24包含处理电路系统402、一个或多个输入设备404、通信电路系统406、一个或多个输出设备412、一个或多个存储设备408以及一个或多个用户接口(UI)设备410。在一个实例中，计算设备24另外包含可由计算设备24执行的一个或多个应用程序424(如长期预测模块450)和操作系统416。组件402、404、406、408、410和412中的每一个被联接(物理地、通信地和/或可操作地)用于组件间通信。在一些实例中，通信信道414可包含系统总线、网络连接、过程间通信数据结构或用于通信数据的任何其它方法。作为一个实例，组件402、404、406、408、410和412可通过一个或多个通信信道414联接。
在一个实例中，处理电路系统402被配置成实施用于在计算设备24内执行的功能和/或处理指令。举例来说，处理电路系统402可能够处理存储在存储设备408中的指令。处理电路系统402的实例可包含以下中的任一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。
一个或多个存储设备408可被配置成在操作期间在计算设备24内存储信息。在一些实例中，存储设备408被描述为计算机可读存储介质。在一些实例中，存储设备408为临时存储器，这意味着存储设备408的主要目的不是长期存储。在一些实例中，存储设备408被描述为易失性存储器，这意味着当计算机关闭时，存储设备408不维护所存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。在一些实例中，存储设备408用于存储由处理电路系统402执行的程序指令。在一个实例中，存储设备408由在计算设备24上运行的软件或应用程序424使用，以在程序执行期间临时存储信息。
在一些实例中，存储设备408还包含一个或多个计算机可读存储介质。存储设备408可被配置成存储比易失性存储器大的信息量。存储设备408可另外被配置用于信息的长期存储。在一些实例中，存储设备408包含非易失性存储元件。这类非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪存，或多种形式的电可编程存储器(EPROM)或电可擦除并且可编程(EEPROM)存储器。
在一些实例中，计算设备24还包含通信电路系统406。在一个实例中，计算设备24利用通信电路系统406与外部设备(如图1的IMD 16和提供者数据库66)进行通信。通信电路系统406可包含网络接口卡，如以太网卡、光收发器、射频收发器或可发送和接收信息的任何其它类型的设备。这类网络接口的其它实例可包含3G、4G、5G和WiFi无线电。
在一个实例中，计算设备24还包含一个或多个用户接口设备410。在一些实例中，用户接口设备410被配置成通过触觉、音频或视频反馈从用户接收输入。一个或多个用户接口设备410的实例包含对存在敏感的显示器、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的设备。在一些实例中，对存在敏感的显示器包含触敏屏。
一个或多个输出设备412也可被包含在计算设备24中。在一些实例中，输出设备412被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出设备412包含对存在敏感的显示器、声卡、视频图形适配器卡或用于将信号转换为人类或机器可理解的适当形式的任何其它类型的设备。输出设备412的附加实例包含扬声器、阴极射线管(CRT)监视器、液晶显示器(LCD)或可向用户生成可理解的输出的任何其它类型的设备。
计算设备24可包含操作系统416。在一些实例中，操作系统416控制计算设备24的组件的操作。举例来说，在一个实例中，操作系统416促进一个或多个应用程序424和长期预测模块450与处理电路系统402、通信电路系统406、存储设备408、输入设备404、用户接口设备410和输出设备412的通信。
应用程序424还可包含可由计算设备24执行的程序指令和/或数据。由计算设备24可执行的一个或多个实例应用程序424可包含长期预测模块450。可替代地或另外地包含未示出的其它附加应用，以提供本文描述的其它功能，并且为了简单起见而不描绘。
根据本公开的技术，应用程序424包含长期预测模块450。在一个实例中，处理电路系统402执行长期预测模块450以提供图1的患者14的心室性心律失常的长期预测。在一个实例中，长期预测模块450包含机器学习模型，其基于患者14的参数化患者数据和提供者数据产生在长期时间段(例如，典型地为约24小时至约48小时)内患者14中将发生心律不齐的长期概率。在一些实例中，机器学习模型由神经网络系统、深度学习系统或其它类型的有监督或无监督机器学习系统产生。举例来说，机器学习模型可由前馈神经网络，如卷积神经网络、径向基函数神经网络、递归神经网络、模块化或联想神经网络产生。在一些实例中，长期预测模块450用多个患者的参数化患者数据和提供者数据训练机器学习模型以产生长期概率。在一些实例中，在机器学习模型已经用多个患者的参数化患者数据和提供者数据预先训练之后，长期预测模块450另外用特定于患者14的参数化患者数据和提供者数据来训练机器学习模型。
在一些实例中，长期预测模块450用多个患者的参数化患者数据和提供者数据训练机器学习模型，确定机器学习模型的错误率，并且然后将错误率反馈给机器学习模型以便使机器学习模型基于错误率更新其预测。在一些实例中，长期预测模块450可从患者14或临床医生接收指示在第一时间段内患者14中是否发生预测的心律不齐的反馈。在一些实例中，长期预测模块450可从IMD 16接收指示IMD 16已检测到(或尚未检测到)患者14中的心律不齐的发生以及是否预测(或未预测)患者14中的心律不齐的消息。在一些实例中，长期预测模块450可以其它方式获得反馈，如通过周期性地检查提供者数据以确定是否发生心律不齐。长期预测模块450可用指示在第一时间段内患者14中是否发生预测的心律不齐的反馈来更新机器学习模型。因此，训练过程可迭代发生，以便通过从过去由机器学习模型做出的正确和不正确的预测中“学习”来逐步改进由机器学习模型做出的预测。另外，训练过程可用于另外微调使用基于人群的数据训练的机器学习模型，从而为特定个体提供更准确的预测。
一旦机器学习模型已被训练以产生在长期时间段内患者14中将发生心律不齐的长期概率(其为由临床医生选择的阈值准确度)，长期预测模块450就可使用机器学习模型来提供对患者14的心室性心律失常的长期预测。举例来说，由处理电路系统402执行的长期预测模块450经由通信电路系统406接收由患者14的医疗设备收集的参数化患者数据。在一些实例中，参数化患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。在一些实例中，收集参数化患者数据的医疗设备为IMD，如图1的IMD 16。在其它实例中，收集参数化患者数据的医疗设备为另一种类型的患者设备，如患者14的可穿戴医疗设备或移动设备(例如，智能手机)。在一些实例中，长期预测模块450每天从IMD 16接收参数化患者数据。
长期预测模块450另外经由通信电路系统406从提供者数据库66接收患者14的提供者数据。在一些实例中，由提供者数据库66存储的提供者数据可包含关于患者14的许多不同类型的历史医疗信息。举例来说，提供者数据库66可存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平或患者的一个或多个实验室测试结果等。
长期预测模块450将训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以执行对患者14的长期监视。在一些实例中，长期预测模块450通过产生在长期时间段(例如，典型地为约24小时至约48小时)内患者14中将发生心律不齐的长期概率来执行长期监视。举例来说，长期预测模块450将训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以产生在长期时间段内患者14中将发生心律不齐的长期概率。举例来说，机器学习模型可将参数化患者数据和提供者数据转换为表示参数化患者数据和提供者数据的一个或多个矢量和张量(例如，多维阵列)。机器学习模型可将数学运算应用于一个或多个矢量和张量以产生参数化患者数据和提供者数据的数学表示。机器学习模型可确定对应于参数化患者数据和提供者数据和在长期时间段内心律不齐的发生之间的识别关系的不同权重。机器学习模型可将不同权重应用于参数化患者数据和提供者数据以产生在长期时间段内患者14中将发生心律不齐的长期概率。
在一些实例中，长期预测模块450确定在长期时间段内患者14中将发生心律不齐的确定的长期概率是否超过由临床医生设定的预定阈值。响应于确定长期概率超过预定阈值，长期预测模块450经由通信电路系统406将指令发送到IMD 16，使IMD 16如上所述执行对患者14的短期监视。另外或替代地，响应于确定长期概率超过预定阈值，长期预测模块450经由通信电路系统406将指令发送到外部设备27，使外部设备27如下所述执行对患者14的中期监视。在一些实例中，响应于确定长期概率超过预定阈值，长期预测模块450可执行其它动作，如经由输出设备412通知临床医生长期概率已超过预定阈值或长期预测模块450已经确定患者14在长期时间段内很可能患有心律不齐。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。此外，如本文公开的这类系统可将计算上昂贵并且耗能的长期心律不齐预测操作从患者的个人医疗设备移动到云计算系统，并且仅当云计算系统预测在接下来的几天内发生心律不齐的似然度相对较高时才激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
图5为说明根据本公开的一种或多种技术进行操作的实例外部设备27的框图。在一些实例中，外部设备27采取外部编程器或移动设备的形式，如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)、可穿戴电子设备等。在一些实例中，外部设备27为可购自美敦力有限公司的CareLinkTM监视器。
在一个实例中，外部设备27包含处理电路系统502，其用于执行包含中期预测模块550的应用程序524或本文描述的任何其它应用程序。尽管出于实例的目的在图5中示出为独立外部设备27，但外部设备27可为包含处理电路系统或用于执行软件指令的其它合适的计算环境的任何组件或系统，并且例如不必包含图5中所示的一个或多个元件(例如，通信电路系统506；并且在一些实例中，如一个或多个存储设备508的组件可与其它组件不在同一位置或位于同一机架中)。
如图5的实例中所示，外部设备27包含处理电路系统502、一个或多个输入设备504、通信电路系统506、一个或多个输出设备512、一个或多个存储设备508以及一个或多个用户接口(UI)设备510。在一个实例中，外部设备27另外包含可由外部设备27执行的一个或多个应用程序524(如中期预测模块550)和操作系统516。组件502、504、506、508、510和512中的每一个被联接(物理地、通信地和/或可操作地)用于组件间通信。在一些实例中，通信信道514可包含系统总线、网络连接、过程间通信数据结构或用于通信数据的任何其它方法。作为一个实例，组件502、504、506、508、510和512可通过一个或多个通信信道514联接。
在一个实例中，处理电路系统502被配置成实施用于在外部设备27内执行的功能和/或处理指令。举例来说，处理电路系统502可能够处理存储在存储设备508中的指令。处理电路系统502的实例可包含以下中的任一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。
一个或多个存储设备508可被配置成在操作期间在外部设备27内存储信息。在一些实例中，存储设备508被描述为计算机可读存储介质。在一些实例中，存储设备508为临时存储器，这意味着存储设备508的主要目的不是长期存储。在一些实例中，存储设备508被描述为易失性存储器，这意味着当计算机关闭时，存储设备508不维护所存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。在一些实例中，存储设备508用于存储由处理电路系统502执行的程序指令。在一个实例中，存储设备508由在外部设备27上运行的软件或应用程序524使用，以在程序执行期间临时存储信息。
在一些实例中，存储设备508还包含一个或多个计算机可读存储介质。存储设备508可被配置成存储比易失性存储器大的信息量。存储设备508可另外被配置用于信息的长期存储。在一些实例中，存储设备508包含非易失性存储元件。这类非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪存，或多种形式的电可编程存储器(EPROM)或电可擦除并且可编程(EEPROM)存储器。
在一些实例中，外部设备27还包含通信电路系统506。在一个实例中，外部设备27利用通信电路系统506与外部设备(如图1的IMD 16和计算设备24)进行通信。通信电路系统506可包含网络接口卡，如以太网卡、光收发器、射频收发器或可发送和接收信息的任何其它类型的设备。这类网络接口的其它实例可包含3G、4G、5G和WiFi无线电。
在一个实例中，外部设备27还包含一个或多个用户接口设备510。在一些实例中，用户接口设备510被配置成通过触觉、音频或视频反馈从用户接收输入。一个或多个用户接口设备510的实例包含对存在敏感的显示器、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的设备。在一些实例中，对存在敏感的显示器包含触敏屏。
一个或多个输出设备512也可被包含在外部设备27中。在一些实例中，输出设备512被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出设备512包含对存在敏感的显示器、声卡、视频图形适配器卡或用于将信号转换为人类或机器可理解的适当形式的任何其它类型的设备。输出设备512的附加实例包含扬声器、阴极射线管(CRT)监视器、液晶显示器(LCD)或可向用户生成可理解的输出的任何其它类型的设备。
外部设备27可包含操作系统516。在一些实例中，操作系统516控制外部设备27的组件的操作。举例来说，在一个实例中，操作系统516促进一个或多个应用程序524和中期预测模块550与处理电路系统502、通信电路系统506、存储设备508、输入设备504、用户接口设备510和输出设备512的通信。
应用程序524还可包含可由外部设备27执行的程序指令和/或数据。由外部设备27可执行的一个或多个实例应用程序524可包含中期预测模块550。可替代地或另外地包含未示出的其它附加应用，以提供本文描述的其它功能，并且为了简单起见而不描绘。
根据本公开的技术，应用程序524包含中期预测模块550。在一个实例中，处理电路系统502执行中期预测模块550以提供图1的患者14的心室性心律失常的中期预测。在一个实例中，中期预测模块550包含机器学习模型，其基于患者14的参数化患者数据和提供者数据产生在中期时间段(例如，典型地为约24小时至约48小时)内患者14中将发生心律不齐的中期概率。在一些实例中，机器学习模型由神经网络系统、深度学习系统或其它类型的有监督或无监督机器学习系统产生。举例来说，机器学习模型可由前馈神经网络，如卷积神经网络、径向基函数神经网络、递归神经网络、模块化或联想神经网络产生。在一些实例中，中期预测模块550用多个患者的参数化患者数据和提供者数据训练机器学习模型以产生中期概率。在一些实例中，在机器学习模型已经用多个患者的参数化患者数据和提供者数据预先训练之后，中期预测模块550另外用特定于患者14的参数化患者数据和提供者数据来训练机器学习模型。虽然在前述实例中，中期预测模块550用多个患者的参数化患者数据和提供者数据训练机器学习模型，但是在一些实例中，中期预测模块550仅用参数化患者数据而不是提供者数据或仅用提供者数据而不是参数化患者数据训练机器学习模型。
在一些实例中，中期预测模块550用多个患者的参数化患者数据和提供者数据训练机器学习模型，确定机器学习模型的错误率，并且然后将错误率反馈给机器学习模型以便使机器学习模型基于错误率更新其预测。在一些实例中，中期预测模块550可从患者14或临床医生接收指示在第一时间段内患者14中是否发生预测的心律不齐的反馈。在一些实例中，中期预测模块550可从IMD 16接收指示IMD 16已检测到(或尚未检测到)患者14中的心律不齐的发生以及是否预测(或未预测)患者14中的心律不齐的消息。在一些实例中，中期预测模块550可以其它方式获得反馈，如通过周期性地检查提供者数据以确定是否发生心律不齐。中期预测模块550可用指示在第一时间段内患者14中是否发生预测的心律不齐的反馈来更新机器学习模型。因此，训练过程可迭代发生，以便通过从过去由机器学习模型做出的正确和不正确的预测中“学习”来逐步改进由机器学习模型做出的预测。另外，训练过程可用于另外微调使用基于人群的数据训练的机器学习模型，从而为特定个体提供更准确的预测。
一旦机器学习模型已被训练以产生在中期时间段内患者14中将发生心律不齐的中期概率(其为由临床医生选择的阈值准确度)，中期预测模块550就可使用机器学习模型来提供对患者14的心室性心律失常的中期预测。举例来说，由处理电路系统502执行的中期预测模块550经由通信电路系统506接收由患者14的医疗设备收集的参数化患者数据。在一些实例中，中期预测模块550还可接收由外部设备27收集的其它参数化患者数据，如地理位置、加速计数据或来自患者14的输入。在一些实例中，参数化患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。在一些实例中，收集参数化患者数据的医疗设备为IMD，如图1的IMD 16。在其它实例中，收集参数化患者数据的医疗设备为另一种类型的患者设备，如患者14的可穿戴医疗设备、可穿戴传感器(如图1的传感器80)或移动设备(例如，智能手机)。在一些实例中，中期预测模块550每天从IMD 16和/或传感器80接收参数化患者数据。
在一些实例中，中期预测模块550另外经由通信电路系统506从提供者数据库66接收患者14的提供者数据。在一些实例中，由提供者数据库66存储的提供者数据可包含关于患者14的许多不同类型的历史医疗信息。举例来说，提供者数据库66可存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平或患者的一个或多个实验室测试结果等。
中期预测模块550将训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以执行对患者14的中期监视。在一些实例中，中期预测模块550通过产生在中期时间段(例如，典型地为约24小时至约48小时)内患者14中将发生心律不齐的中期概率来执行中期监视。举例来说，中期预测模块550将训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以产生在中期时间段内患者14中将发生心律不齐的中期概率。举例来说，机器学习模型可将参数化患者数据和提供者数据转换为表示参数化患者数据和提供者数据的一个或多个矢量和张量(例如，多维阵列)。机器学习模型可将数学运算应用于一个或多个矢量和张量以产生参数化患者数据和提供者数据的数学表示。机器学习模型可确定对应于参数化患者数据和提供者数据和在中期时间段内心律不齐的发生之间的识别关系的不同权重。机器学习模型可将不同权重应用于参数化患者数据和提供者数据以产生在中期时间段内患者14中将发生心律不齐的中期概率。虽然在前述实例中，中期预测模块550将机器学习模型应用于多个患者的参数化患者数据和提供者数据，但是在一些实例中，中期预测模块550将机器学习模型仅应用于参数化患者数据而不是提供者数据或仅应用于提供者数据而不是参数化患者数据。
在一些实例中，中期预测模块550确定在中期时间段内患者14中将发生心律不齐的确定的中期概率是否超过由临床医生设定的预定阈值。响应于确定中期概率超过预定阈值，中期预测模块550经由通信电路系统506将指令发送到IMD 16，使IMD 16如上所述执行对患者14的短期监视。在一些实例中，响应于确定中期概率超过预定阈值，中期预测模块550可执行其它动作，如经由输出设备512通知临床医生中期概率已超过预定阈值或中期预测模块550已经确定患者14在中期时间段内很可能患有心律不齐。
在前述实例中，中期预测模块550应用机器学习模型以确定在中期时间段内患者14中将发生心律不齐的中期概率。在其它实例中，中期预测模块550可将特征检测应用于参数化患者数据以确定在中期时间段内患者14中将发生心律不齐的中期概率，其方式类似于如上所述的IMD 16将特征检测应用于参数化患者数据以确定在短期时间段内患者14中将发生心律不齐的短期概率。
作为实例，中期预测模块550对包含心电图数据的参数化患者数据执行特征检测。在此实例中，参数化患者数据包含患者14的心电图的T波的平均频率或平均幅度中的一个或多个。中期预测模块550接收来自图1的IMD 16或传感器80的原始心电图信号并且从原始心电图信号中提取特征。在一些实例中，中期预测模块550识别T波交替、QRS形态测量等中的一个或多个。举例来说，中期预测模块550识别患者14的心电图的T波的一个或多个特征并且将模型应用于一个或多个识别的特征以产生在中期时间段内患者14中将发生心律不齐的中期概率。在一些实例中，一个或多个识别的特征为T波的一个或多个幅度。在一些实例中，一个或多个识别的特征为T波的频率。在一些实例中，一个或多个识别的特征至少包含T波的幅度和T波的频率。
尽管由于电池和处理功率的限制，IMD 16可在短期时间段内执行特征检测，但外部设备27可不受此限制。举例来说，外部设备27可为容易地充电的、更大的电池或者具有显著更多的计算资源。因此，与IMD 16相比，外部设备27可应用在更长的时间段(例如，中期时间段)内计算上更昂贵、算法复杂、消耗更多功率或分析参数化患者数据的特征检测算法。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。此外，如本文公开的这类系统可从其中电池寿命为关键问题的医疗设备中卸载计算上昂贵并且耗能的复杂心律不齐预测操作，并且仅当预测在接下来的几天内发生心律不齐的似然度相对较高时才激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
图6为说明根据本公开的技术的实例操作的流程图。为了方便起见，参照图1描述图6。在一些实例中，图6的操作为用于提供患者14中的心律不齐的多层预测(例如，患者14中的心室性心律失常的长期和短期预测)的操作。
在一个实例中，IMD 16收集患者114的参数化患者数据(600)。在一些实例中，参数化患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。在一些实例中，参数化患者数据包含表示在长期时间段(例如，约24小时至约48小时)内患者14的平均测量值的一个或多个值。在一些实例中，IMD 16将参数化患者数据上传到外部设备27。外部设备27将参数化患者数据转发到计算设备24(601)。在一些实例中，外部设备27收集附加参数化患者数据，如地理位置、加速计数据或来自患者14的输入。在一些实例中，外部设备27从其它源(如传感器80中的一个或多个)接收参数化患者数据。外部设备27将从每个源收集的参数化患者数据转发到计算设备24。计算设备24通过网络25接收由外部设备27转发的专利参数化数据(602)。在一些实例中，计算设备24每天接收参数化患者数据。
计算设备24另外从提供者数据库66接收患者14的提供者数据(604)。在一些实例中，由提供者数据库66存储的提供者数据可包含关于患者14的许多不同类型的历史医疗信息。举例来说，提供者数据库66可存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平或患者的一个或多个实验室测试结果等。
计算设备24将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以产生在长期时间段内患者14中将发生心律不齐的长期概率(606)。在一些实例中，长期时间段为约24小时至约48小时。计算设备24确定长期概率是否超过长期预定阈值(608)。响应于确定长期概率超过长期预定阈值，计算设备24发送指令，使IMD 16确定在短期时间段内患者14中将发生心律不齐的短期概率(610)。在一些实例中，计算设备24将指令转发到外部设备27，其继而将指令转发到IMD 16(611)。在一些实例中，短期时间段为约30分钟至约60分钟)。在一些实例中，响应于确定长期概率超过长期预定阈值，计算设备24可执行其它动作，如通知临床医生长期概率已超过长期预定阈值或计算系统24已确定患者14在长期时间段内很可能患有心律不齐。
响应于从计算设备24接收指令，IMD 16处理随后的参数化患者数据以产生在短期时间段内患者14中将发生心律不齐的短期概率(612)。在一些实例中，IMD 16通过对随后的参数化患者数据执行特征检测来产生短期概率。在一些实例中，IMD 16可分析与如上所述由计算设备24分析的参数化患者数据相似的参数化患者数据。在其它实例中，IMD 16分析与由计算设备24分析的参数化患者数据不同的参数化患者数据。举例来说，计算设备24可分析表示在长期时间段(例如，约24小时至约48小时)内平均的一个或多个值的参数化患者数据，而IMD 16可分析表示在短期时间段(例如，约30分钟至约60分钟)内平均的一个或多个值的参数化患者数据。
IMD 16确定短期概率是否超过短期预定阈值(614)。响应于确定短期概率超过短期预定阈值，IMD 16执行补救动作以减少在短期时间段内患者14中将发生心律不齐的短期概率(616)。举例来说，IMD 16可将在短期时间段内患者14中将发生心律不齐的短期概率的通知发布给计算设备24，使得患者14或临床医生可变得知道在短期时间段内患者14中将发生心律不齐的似然度。作为一个实例，通知可指示患者14执行呼吸练习或服用药剂以降低在短期时间段内患者14中将发生心律不齐的似然度。在另一个实例中，IMD 16向患者14发起治疗，如药物递送治疗或电起搏治疗，以降低在短期时间段内患者14中将发生心律不齐的似然度。
图7为说明根据本公开的技术的实例操作的流程图。为了方便起见，参照图1描述图7。在一些实例中，图7的操作为用于提供患者14中的心律不齐的多层预测(例如，包含患者14中的心室性心律失常的长期、中期和短期预测)的操作。在图7的实例中，患者14中的心室性心律失常的长期、中期和短期预测可对应于患者14中的心室性心律失常很可能在长期时间段(例如，约1周或更长时间)、中期时间段(例如，约24小时至约48小时)或短期时间段(例如，约30分钟至约60分钟)内在患者14中发生的预测。
在一个实例中，IMD 16收集患者114的参数化患者数据(700)。在一些实例中，参数化患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心电描记图、患者的血压、患者的加速计数据或其它类型的参数化患者数据。在一些实例中，参数化患者数据包含表示在长期时间段(例如，约24小时至约48小时)内患者14的平均测量值的一个或多个值。在一些实例中，IMD 16将参数化患者数据上传到外部设备501。外部设备27将参数化患者数据转发到计算设备24(701)。在一些实例中，外部设备27收集附加参数化患者数据，如地理位置、加速计数据、来自患者14的输入。在一些实例中，外部设备27从其它源(如传感器80中的一个或多个)接收参数化患者数据。外部设备27将从每个源收集的参数化患者数据转发到计算设备24。计算设备24通过网络25接收由外部设备27转发的专利参数化数据(702)。在一些实例中，计算设备24每天接收参数化患者数据。
计算设备24另外从提供者数据库66接收患者14的提供者数据(704)。在一些实例中，由提供者数据库66存储的提供者数据可包含关于患者14的许多不同类型的历史医疗信息。举例来说，提供者数据库66可存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平或患者的一个或多个实验室测试结果等。
计算设备24将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以产生在长期时间段内患者14中将发生心律不齐的长期概率(706)。在一些实例中，长期时间段为大约一周或更长时间。计算设备24确定长期概率是否超过长期预定阈值(708)。
响应于确定长期概率超过长期预定阈值，计算设备24发送指令，使外部设备27确定在中期时间段内患者14中将发生心律不齐的中期概率(710)。在一些实例中，响应于确定长期概率超过长期预定阈值，计算设备24可执行其它动作，如通知临床医生长期概率已超过长期预定阈值或计算系统24已确定患者14在长期时间段内很可能患有心律不齐。
响应于从计算设备24接收指令，外部设备27将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于患者14的参数化患者数据和提供者数据以产生在中期时间段内患者14中将发生心律不齐的中期概率(712)。在一些实例中，外部设备27将使用参数化患者数据而不是提供者数据训练的机器学习模型应用于患者14的参数化患者数据而不是提供者数据以产生在中期时间段内患者14中将发生心律不齐的中期概率。在一些实例中，中期时间段为约24小时至约48小时。外部设备27确定中期概率是否超过中期预定阈值(714)。在一些实例中，中期预定阈值为50％。在一些实例中，中期预定阈值为另一个阈值，如75％、80％、90％、99％或99.5％或99.9％。
响应于确定中期概率超过中期预定阈值，外部设备27发送指令，使IMD 16确定在短期时间段内患者14中将发生心律不齐的短期概率(716)。在一些实例中，短期时间段为约30分钟至约60分钟)。在一些实例中，响应于确定中期概率超过中期预定阈值，外部设备27可执行其它动作，如通知临床医生中期概率已超过中期预定阈值或外部设备27已确定患者14在中期时间段内很可能患有心律不齐。
响应于从外部设备27接收指令，IMD 16处理随后的参数化患者数据以产生在短期时间段内患者14中将发生心律不齐的短期概率(718)。在一些实例中，IMD 16通过对随后的参数化患者数据执行特征检测来产生短期概率。在一些实例中，IMD 16可分析与如上所述由计算设备24和/或外部设备27分析的参数化患者数据相似的参数化患者数据。在其它实例中，IMD 16分析与由计算设备24和/或外部设备27分析的参数化患者数据不同的参数化患者数据。举例来说，计算设备24可分析表示在长期时间段(例如，约一周或更长时间)内平均的一个或多个值的参数化患者数据，外部设备27可分析表示在中期时间段(例如，约24小时至约48小时)内平均的一个或多个值的参数化患者数据，而IMD 16可分析表示在短期时间段(例如，约30分钟至约60分钟)内平均的一个或多个值的参数化患者数据。
IMD 16确定短期概率是否超过短期预定阈值(720)。响应于确定短期概率超过短期预定阈值，IMD 16执行补救动作以减少在短期时间段内患者14中将发生心律不齐的短期概率(722)。举例来说，IMD 16可将在短期时间段内患者14中将发生心律不齐的短期概率的通知发布给计算设备24，使得患者14或临床医生可变得知道在短期时间段内患者14中将发生心律不齐的似然度。在另一个实例中，IMD 16向患者14发起治疗，如药物递送治疗或电起搏治疗，以降低在短期时间段内患者14中将发生心律不齐的似然度。
如本文所述，术语“长期概率”、“中期概率”和“短期概率”的使用以及术语“长期概率阈值”、“中期概率阈值”和“短期概率阈值”的使用在本公开全文中仅用于使术语彼此区分开。这些术语不限于任何特定的时间长度。举例来说，术语“长期概率”可与术语“第一概率”互换，术语“中期概率”可与术语“第二概率”互换，术语“短期概率”可与术语“第三概率”互换，术语“长期概率阈值”可与术语“第一概率阈值”互换，术语“中期概率阈值”可与术语“第二概率阈值”互换和术语“短期概率阈值”可与术语“第三概率阈值”互换。
图8A为说明根据本公开的技术的实例操作的流程图。具体地说，图8A的流程图描绘用于提供患者14中的心律不齐的多层预测(例如，包含患者14中的心室性心律失常的长期、中期和短期预测)的操作。为了方便起见，参照图1描述图8。
如图8的实例中所描绘，云计算网络808将长期算法802应用于患者14的提供者数据以产生在长期时间段内患者14中将发生心律不齐的长期概率。在图8B中描绘长期算法802的附加细节。在一些实例中，云计算网络808包括图1的一个或多个计算设备24。
响应于确定患者14将经历心律不齐的长期概率超过长期预定阈值，云计算网络808发送指令，使外部设备27将中期算法804应用于患者14的参数化患者数据以产生在中期时间段内患者14中将发生心律不齐的中期概率。如图8A中所说明，外部设备27可例如每天或其它周期性地从IMD 16接收参数数据。在图8C中描绘中期算法804的附加细节。
响应于确定患者14将经历心律不齐的中期概率超过中期预定阈值，外部设备27发送指令，使IMD 16将短期算法806应用于患者14的参数化患者数据以产生在短期时间段内患者14中将发生心律不齐的短期概率。在图8D中描绘短期算法806的附加细节。
在一些实例中，每个较高级别的算法可将风险因素供应到较低级别的算法，其中较低级别的算法可在其确定患者14中将发生心律不齐的概率时包含所述风险因素。举例来说，中期算法804可在确定在中期时间段内患者14中将发生心律不齐的中期概率中使用由长期算法802产生的在长期时间段内患者14中将发生心律不齐的长期概率。类似地，短期算法806可在确定在短期时间段内患者14中将发生心律不齐的短期概率中使用由中期算法804产生的在中期时间段内患者14中将发生心律不齐的中期概率。
使用图8A中描绘的多级心律不齐预测可延长IMD 16的电池寿命，从而允许将IMD16植入患者14中更长的时间而无需更换。此外，使用这类多级心律不齐预测可对患者14的需求和风险提供高度的敏感性、特异性和准确性。
图8B为另外详细地说明图8A的实例中描绘的用于心律不齐的长期预测的算法802的框图。在图8B的实例中，云计算网络808的一个或多个计算设备24将多种类型的提供者数据和参数化患者数据w1、w2、w3、...、wm应用于包括多个神经元和多个隐藏层1-5的神经网络层。在一些实例中，w1、w2、w3、...、wm中的每一个对应于不同类型的提供者数据或参数化患者数据，如患者的用药史、患者14的外科手术史、患者14的心电图等。神经网络通过映射在多个神经元和多个隐藏层1-5上的输入来处理提供者数据和参数化患者数据w1、w2、w3、...、wm以产生输出PEMR，其为在长期时间段内患者14中将发生心律不齐的长期概率。
图8C为另外详细地说明图8A的实例中描绘的用于心律不齐的中期预测的算法804的框图。在图8B的实例中，外部设备27将多种类型的提供者数据和参数化患者数据x1、x2、x3、...、xm应用于包括多个神经元和多个隐藏层1-5的神经网络层。在一些实例中，x1、x2、x3、...、xm中的每一个对应于不同类型的提供者数据或参数化患者数据，如患者的用药史、患者14的外科手术史、患者14的心电图等。神经网络通过映射在多个神经元和多个隐藏层1-5上的输入来处理提供者数据和参数化患者数据x1、x2、x3、...、xm以产生输出PD24，其为在中期时间段内患者14中将发生心律不齐的中期概率。
图8D为另外详细地说明图8A的实例中描绘的用于心律不齐的短期预测的算法806的框图。如图8D中所描绘，IMD 16通过对参数化患者数据的多个窗口e1、e2、e3、e4、...、em中的每一个执行特征检测来产生患者14中将发生心律不齐的短期概率。窗口e1、e2、e3、e4、...、em中的每一个表示一段时间，在此期间，IMD 16应用标准来确定是否存在随后的心律不齐的一个或多个指标。如图8D的实例中所描绘，在判定窗口820处，IMD 16确定在短期时间段期间患者14中很可能发生心律不齐的概率。关于使用多个参数预测心律不齐的附加信息可发现于例如Zhou等人的于2017年6月12日提交并且于2017年12月14日出版的标题为“《急性心脏事件和发作的多参数预测(MULTI-PARAMETER PREDICTION OF ACUTE CARDIACEPISODES AND ATTACKS)》”的美国专利申请公开第2017/0354365号中。
在一些实例中，IMD 16可使用与由一个或多个计算设备24产生的在长期时间段内患者14中将发生心律不齐的长期概率PEMR和由外部设备27产生的在中期时间段内患者14中将发生心律不齐的中期概率PD24结合的参数化患者数据的特征检测来确定在短期时间段期间患者14中很可能发生心律不齐的概率。在一些实例中，IMD 16将不同权重应用于特征检测长期概率PEMR和中期概率PD24中的每一个以确定在短期时间段期间患者14中很可能发生心律不齐的概率。在一些实例中，IMD 16将决策树应用于特征检测长期概率PEMR和中期概率PD24中的每一个以确定在短期时间段期间患者14中很可能发生心律不齐的概率。
图9为说明根据本公开的技术的用于心律不齐的短期预测的实例算法902的框图。为了方便起见，参照图1描述图9。在一些实例中，实例算法902以与用于短期预测图8A和8D的心律不齐的算法806基本上类似的方式操作。在一些实例中，IMD 16可处理多种类型的参数化患者数据以确定在短期时间段期间患者14中很可能发生心律不齐的短期概率。在图9的实例中，IMD 16应用机器学习模型来计算在短期时间段期间患者14中很可能发生心律不齐的短期概率。举例来说，作为输入，IMD 16的机器学习模型可接收对不同类型的参数化患者数据执行特征检测。举例来说，IMD可对心电图数据、电极阻抗测量、加速计数据、患者14的温度数据、患者14的心脏的音频数据或由不同级别的其它算法计算的风险评分中的一个或多个执行特征检测。这类风险评分可包含，例如，由一个或多个计算设备24产生的在长期时间段内患者14中将发生心律不齐的长期概率PEMR和由外部设备27产生的在中期时间段内患者14中将发生心律不齐的中期概率PD24。
因此，本文公开的技术可允许增强患者护理并且增加预防患者中的心律不齐的能力。举例来说，关于快速性心律失常在接下来的几天内发生的似然度相对较高的知识可用于帮助指导患者的预防性护理。另外，关于快速性心律失常在接下来的几分钟或几小时内发生的似然度相对较高的知识可用于指导患者的预防性治疗或紧急护理。此外，如本文公开的这类系统可将计算上昂贵并且耗能的长期心律不齐预测操作从患者的个人医疗设备移动到云计算系统，并且仅当云计算系统预测在接下来的几天内发生心律不齐的似然度相对较高时才激活医疗设备上的短期心脏预测操作。因此，仅当心律不齐在特定时间跨度内发生的似然度相对较高时，本公开的技术才可通过使用用于心脏预测的医疗设备来节省功率并且延长医疗设备的电池寿命。
以下实例可说明本公开的一个或多个方面。
实例1.一种计算设备，其包括处理电路系统和存储介质，所述计算设备被配置成：接收患者的参数化患者数据；将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率；确定所述第一概率超过预定阈值；响应于所述第一概率超过所述预定阈值的所述确定，将指令发送到第二设备使所述第二设备确定在第二时间段内所述患者中将发生心律不齐的第二概率。
实例2.根据实例1所述的计算设备，其中所述计算设备另外被配置成接收所述患者的提供者数据，其中为了应用所述机器学习模型，所述计算设备被配置成将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于所述患者的所述参数化患者数据和所述提供者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例3.根据实例1至2的任何组合所述的计算设备，其中所述参数化患者数据包含以下中的至少一个：所述患者的生理数据；所述患者的年龄；所述患者的性别；所述患者的活动方式；所述患者的睡眠方式；所述患者的步态改变；医疗设备的设备相关数据；所述患者的温度趋势；或所述医疗设备的温度趋势。
实例4.根据实例3所述的计算设备，其中所述医疗设备的所述设备相关数据包含以下中的至少一些：所述医疗设备的一个或多个电极的阻抗；电极的选择；所述医疗设备的药物递送时间表；递送到所述患者的电起搏治疗史；所述医疗设备的诊断数据；检测到的所述患者的活动水平；检测到的所述患者的姿势；检测到的所述患者的温度；或检测到的所述患者的睡眠状态。
实例5.根据实例1至4的任何组合所述的计算设备，其中所述患者的所述提供者数据包含以下中的至少一些：所述患者的用药史；所述患者的外科手术史；所述患者的住院史；所述患者的钾水平；或所述患者的一个或多个实验室测试结果。
实例6.根据实例1至5的任何组合所述的计算设备，其中所述第一时间段大于约1天，并且所述第二时间段小于约1天。
实例7.根据实例1至6的任何组合所述的计算设备，其中所述计算设备另外被配置成：在将所述指令发送到所述第二设备之后，从所述第二设备中的至少一个接收指示在所述第一时间段内所述患者中是否发生所述心律不齐的反馈；和使用指示在所述第一时间段内所述患者中是否发生所述心律不齐的所述反馈更新所述机器学习模型。
实例8.一种设备，其被配置成：经由多个电极或传感器中的一个或多个收集患者的参数化患者数据；从计算设备接收产生在一定时间段内所述患者中将发生心律不齐的概率的指令；响应于所述指令，处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率；确定所述概率超过预定阈值；和响应于所述概率超过所述预定阈值的所述确定，执行补救动作以减少在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例9.根据实例8所述的设备，其中为了处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述设备被配置成将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例10.根据实例8所述的设备，其中为了处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述设备被配置成：识别所述参数化患者数据的心电图的T波的一个或多个特征；和将模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例11.根据实例10所述的设备，其中所述T波的所述一个或多个特征包括所述T波的幅度，并且其中为了将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述设备被配置成将所述模型应用于所述T波的所述幅度以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例12.根据实例10至11的任何组合所述的设备，其中所述T波的所述一个或多个特征包括所述T波的频率，并且其中为了将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述设备被配置成将所述模型应用于所述T波的所述频率以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例13.根据实例8至12的任何组合所述的设备，其中为了执行所述补救动作，所述设备被配置成向所述计算设备和外部设备中的至少一个发布在所述一定时间段内所述患者中将发生所述心律不齐的所述概率的通知。
实例14.根据实例8至13的任何组合所述的设备，其中为了执行所述补救动作，所述设备被配置成向所述患者递送药物递送治疗和电起搏治疗中的至少一种。
实例15.一种外部设备，其被配置成：接收产生在第一时间段内患者中将发生心律不齐的第一概率的指令；响应于所述指令，处理参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率；确定所述第一概率超过第一预定阈值；和响应于所述第一概率超过所述第一预定阈值的所述确定，将指令发送到医疗设备，使所述医疗设备确定在第二时间段内所述患者中将发生心律不齐的第二概率。
实例16.根据实例15所述的外部设备，其中为了处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述外部设备被配置成将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例17.根据实例15所述的外部设备，其中为了处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述外部设备被配置成执行所述参数化患者数据的特征检测以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例18.根据实例15至17的任何组合所述的外部设备，其中所述外部设备另外被配置成：从所述医疗设备或一个或多个传感器中的至少一个接收所述参数化患者数据；和将接收的参数化患者数据发送到计算设备。
实例19.根据实例18所述的外部设备，其中所述外部设备另外被配置成：确定所述患者的地理位置；和将确定的地理位置与所述参数化患者数据一起发送到所述计算设备。
实例20.根据实例15至19的任何组合所述的外部设备，其中所述外部设备包括移动设备或可穿戴电子设备中的至少一个。
实例21.一种方法，其包括：由包括处理电路系统和存储介质的计算设备接收患者的参数化患者数据；通过所述计算设备将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率；通过所述计算设备确定所述第一概率超过预定阈值；和响应于所述第一概率超过所述预定阈值的所述确定，通过所述计算设备将指令发送到第二设备，使所述第二设备确定在第二时间段内所述患者中将发生心律不齐的第二概率。
实例22.根据实例21所述的方法，其另外包括：通过所述计算设备接收所述患者的提供者数据，其中应用所述机器学习模型包括将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于所述患者的所述参数化患者数据和所述提供者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例23.根据实例21至22的任何组合所述的方法，其另外包括：在将所述指令发送到所述第二设备之后，通过所述计算设备并且从所述第二设备接收指示在所述第一时间段内所述患者中是否发生所述心律不齐的反馈；和通过所述计算设备使用指示在所述第一时间段内所述患者中是否发生所述心律不齐的所述反馈更新所述机器学习模型。
实例24.一种方法，其包括：通过设备收集患者的参数化患者数据；通过所述设备从计算设备接收产生在一定时间段内所述患者中将发生心律不齐的概率的指令；响应于所述指令，通过所述设备处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率；通过所述设备确定所述概率超过预定阈值；和响应于所述概率超过所述预定阈值的所述确定，通过所述设备执行补救动作以减少在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例25.根据实例24所述的方法，其中处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例26.根据实例24所述的方法，其中处理所述参数化患者数据以产生所述概率包括：识别所述参数化患者数据的心电图的T波的一个或多个特征；和将模型应用于一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例27.根据实例26所述的方法，其中所述T波的所述一个或多个特征包括所述T波的幅度，并且其中将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将所述模型应用于所述T波的所述幅度以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例28.根据实例26至27的任何组合所述的方法，其中所述T波的所述一个或多个特征包括所述T波的频率，并且其中将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将所述模型应用于所述T波的所述频率以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例1A.一种方法，其包括：通过包括处理电路系统和存储介质的计算设备接收由医疗设备收集的患者的参数化患者数据；通过所述计算设备，将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率；通过所述计算设备确定所述第一概率超过预定阈值；和响应于所述第一概率超过所述预定阈值的所述确定，通过所述计算设备将指令发送到所述医疗设备，使所述医疗设备确定在第二时间段内所述患者中将发生心律不齐的第二概率。
实例2A.根据实例1A所述的方法，其另外包括通过所述计算设备接收所述患者的电子医疗记录(EMR)数据，其中应用所述机器学习模型包括将使用多个患者的参数化患者数据和EMR数据进行训练的机器学习模型应用于所述患者的所述参数化患者数据和所述EMR数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例3A.根据实例1A或2A中任一项所述的方法，其中所述参数化患者数据包含以下中的至少一个：所述患者的生理数据；或所述医疗设备的设备相关数据。
实例4A.根据实例3A所述的方法，其中所述医疗设备的所述设备相关数据包含以下中的至少一些：所述医疗设备的一个或多个电极的阻抗；电极的选择；所述医疗设备的药物递送时间表；递送到所述患者的电起搏治疗史；或所述医疗设备的诊断数据。
实例5A.根据实例1A至4A中任一项所述的方法，其中接收所述参数化患者数据包括至少每天接收所述参数化患者数据。
实例6A.根据实例1A至5A中任一项所述的方法，其中所述患者的所述EMR数据包含以下中的至少一些：所述患者的用药史；所述患者的外科手术史；所述患者的住院史；所述患者的钾水平；或所述患者的一个或多个实验室测试结果。
实例7A.根据实例1A至6A中任一项所述的方法，其中所述第一时间段大于1天并且小于1周；并且其中所述第二时间段大于1分钟并且小于1天。
实例8A.根据实例1A至6A中任一项所述的方法，其中所述第一时间段小于1天；并且其中所述第二时间段小于1小时。
实例9A.根据实例1A至8A中任一项所述的方法，其另外包括：在将所述指令发送到所述医疗设备之后，通过所述计算设备并且从所述医疗设备接收指示在所述第一时间段内所述患者中是否发生所述心律不齐的反馈；和通过所述计算设备使用指示在所述第一时间段内所述患者中是否发生所述心律不齐的所述反馈更新所述机器学习模型。
实例10A.根据实例1A至9A中任一项所述的方法，其中所述机器学习模型包括由卷积神经网络产生的模型。
实例11A.一种方法，其包括：通过医疗设备收集患者的参数化患者数据；通过所述医疗设备从计算设备接收产生在一定时间段内所述患者中将发生心律不齐的概率的指令；响应于所述指令，通过所述医疗设备处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率；通过所述医疗设备确定所述概率超过预定阈值；和响应于所述概率超过所述预定阈值的所述确定，通过所述医疗设备执行补救动作以减少在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例12A.根据实例11A所述的方法，其中处理所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例13A.根据实例11A或12A中任一项所述的方法，其中处理所述参数化患者数据以产生所述概率包括：识别所述参数化患者数据的心电图的T波的一个或多个特征；和将模型应用于一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例14A.根据实例13A所述的方法，其中所述T波的所述一个或多个特征包括所述T波的幅度，并且其中将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将所述模型应用于所述T波的所述幅度以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例15A.根据实例13A所述的方法，其中所述T波的所述一个或多个特征包括所述T波的频率，并且其中将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率包括将所述模型应用于所述T波的所述频率以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例16A.根据实例11A至15A中任一项所述的方法，其中所述医疗设备包括可穿戴医疗设备。
实例17A.根据实例11A至16A中任一项所述的方法，其中所述医疗设备包括可植入医疗设备(IMD)。
实例18A.根据实例11A至17A中任一项所述的方法，其另外包括通过所述医疗设备至少每天将所述参数化患者数据发送到所述计算设备。
实例19A.根据实例11A至18A中任一项所述的方法，其中执行所述补救动作包括向所述计算设备发布在所述一定时间段内所述患者中将发生所述心律不齐的所述概率的通知。
实例20A.根据实例11A至19A中任一项所述的方法，其中执行所述补救动作包括向所述患者递送药物递送治疗和电起搏治疗中的至少一种。
实例21A.一种计算设备，其包括处理电路系统和存储介质，所述计算设备被配置成：接收由医疗设备收集的患者的参数化患者数据；将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率；确定所述第一概率超过预定阈值；和响应于所述第一概率超过所述预定阈值的所述确定，将指令发送到所述医疗设备，使所述医疗设备确定在第二时间段内所述患者中将发生心律不齐的第二概率。
实例22A.根据实例21A所述的计算设备，其中所述计算设备另外被配置成接收所述患者的电子医疗记录(EMR)数据，其中为了应用所述机器学习模型以产生所述第一概率，所述计算设备另外被配置成将使用多个患者的参数化患者数据和EMR数据训练的机器学习模型应用于所述患者的所述参数化患者数据和所述EMR数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
实例23A.根据实例21A或22A中任一项所述的计算设备，其中所述参数化患者数据包含以下中的至少一个：所述患者的生理数据；或所述医疗设备的设备相关数据。
实例24A.根据实例21A至23A中任一项所述的计算设备，其中为了接收所述参数化患者数据，所述计算设备被配置成至少每天接收所述参数化患者数据。
实例25A.根据实例21A至24A中任一项所述的计算设备，其中所述第一时间段大于1天并且小于1周；并且其中所述第二时间段大于1分钟并且小于1天。
实例26A.根据实例21A至25A中任一项所述的计算设备，其中所述第一时间段小于1天；并且其中所述第二时间段小于1小时。
实例27A.根据实例21A至26A中任一项所述的计算设备，其中所述计算设备另外被配置成：在将所述指令发送到所述医疗设备之后，从所述医疗设备接收指示在所述第一时间段内所述患者中是否发生所述心律不齐的反馈；和使用指示在所述第一时间段内所述患者中是否发生所述心律不齐的所述反馈更新所述机器学习模型。
实例28A.一种医疗设备，其被配置成：经由多个电极或传感器收集患者的参数化患者数据；从计算设备接收产生在一定时间段内所述患者中将发生心律不齐的概率的指令；响应于所述指令，处理所述参数化患者数据以产生在所述时间段内所述患者中将发生所述心律不齐的所述概率；确定所述概率超过预定阈值；和响应于所述概率超过所述预定阈值的所述确定，执行补救动作以减少在所述时间段内所述患者中将发生所述心律不齐的所述概率。
实例29A.根据实例28A所述的医疗设备，其中为了处理所述参数化患者数据以产生所述概率，所述医疗设备被配置成：识别所述参数化患者数据的心电图的T波的一个或多个特征；和将模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例30A.根据实例29A所述的医疗设备，其中所述T波的所述一个或多个特征包括所述T波的幅度，并且其中为了将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述医疗设备被配置成将所述模型应用于所述T波的所述幅度以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例31A.根据实例29A所述的医疗设备，其中所述T波的所述一个或多个特征包括所述T波的频率，并且其中为了将所述模型应用于所述一个或多个特征以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率，所述医疗设备被配置成将所述模型应用于所述T波的所述频率以产生在所述一定时间段内所述患者中将发生所述心律不齐的所述概率。
实例32A.根据实例28A至31A中任一项所述的医疗设备，其中所述医疗设备另外被配置成至少每天将所述参数化患者数据发送到所述计算设备。
实例33A.根据实例28A至32A中任一项所述的医疗设备，其中为了执行所述补救动作，所述医疗设备被配置成向所述计算设备发布在所述一定时间段内所述患者中将发生所述心律不齐的所述概率的通知。
实例34A.根据实例28A至33A中任一项所述的医疗设备，其中为了执行所述补救动作，所述医疗设备被配置成向所述患者递送药物递送治疗和电起搏治疗中的至少一种。
实例35A.一种系统，其包括：被配置成经由多个电极或传感器收集患者的参数化患者数据的可植入医疗设备(IMD)；和包括存储介质和处理电路系统的计算设备，其中所述计算设备被配置成：接收通过所述IMD收集的所述参数化患者数据；接收所述患者的电子医疗记录(EMR)数据；将使用多个患者的参数化患者数据和EMR数据训练的机器学习模型应用于所述患者的所述参数化患者数据和所述EMR数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率；确定所述第一概率超过第一预定阈值；和响应于所述第一概率超过所述第一预定阈值的所述确定，通过所述计算设备将指令发送到所述IMD，使所述IMD确定在第二时间段内所述患者中将发生心律不齐的第二概率；其中所述IMD另外被配置成：从所述计算设备接收所述指令；响应于所述指令，处理所述参数化患者数据以产生在所述第二时间段内所述患者中将发生所述心律不齐的所述第二概率；确定所述第二概率超过第二预定阈值；和响应于所述第二概率超过所述第二预定阈值的所述确定，执行以下中的至少一个：向所述计算设备发布在所述第二时间段内所述患者中将发生所述心律不齐的所述第二概率的通知；和向所述患者递送药物递送治疗和电起搏治疗中的至少一种。
在一些实例中，本公开的技术包含系统，其包括执行本文描述的任何方法的装置。在一些实例中，本公开的技术包含计算机可读介质，其包括使处理电路系统执行本文描述的任何方法的指令。
应理解，本文所公开的各个方面可以不同的组合而非说明书和附图中具体呈现的组合而组合。还应理解，取决于实例，本文描述的过程或方法中的任一个的某些动作或事件可以不同顺序执行，可被添加、合并或完全省略(例如，所有描述的动作或事件对于执行这些技术可不为必需的)。另外，尽管为了清楚起见，将本公开的某些方面描述为由单个模块、单元或电路来执行，但是应理解，本公开的技术可由与例如医疗设备相关联的单元、模块或电路系统的组合来执行。
在一个或多个实例中，所描述的技术可在硬件、软件、固件或其任何组合中实施。如果以软件实施，那么功能可作为一个或多个指令或代码存储在计算机可读介质上并且由基于硬件的处理单元执行。计算机可读介质可包含非暂时性计算机可读介质，其对应于有形介质，如数据存储介质(例如，RAM、ROM、EEPROM、闪存或可用于存储呈指令或数据结构形式的期望程序代码并且可由计算机访问的任何其它介质)。
指令可由一个或多个处理器执行，所述一个或多个处理器为例如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所使用的术语“处理器”或“处理电路系统”可指代任何前述结构或者适合于实施所描述的技术的任何其它物理结构。而且，所述技术可完全实施于一个或多个电路或逻辑元件中。

Claims (15)

1.一种设备，其被配置成：
经由多个电极或传感器中的一个或多个收集患者的参数化患者数据；
从计算设备接收产生在第一时间段内所述患者中将发生心律不齐的第一概率的指令；
响应于所述指令，处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率；
确定所述第一概率超过第一预定阈值；和
响应于所述第一概率超过所述第一预定阈值的所述确定，执行补救动作以减少在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
2.根据权利要求1所述的设备，其中为了处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述设备被配置成将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
3.根据权利要求1至2中任一项所述的设备，其中为了处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述设备被配置成：
识别所述参数化患者数据的心电图的T波的一个或多个特征；和
将模型应用于所述一个或多个特征以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
4.根据权利要求3所述的设备，
其中所述T波的所述一个或多个特征包括所述T波的幅度，和
其中为了将所述模型应用于所述一个或多个特征以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述设备被配置成将所述模型应用于所述T波的所述幅度以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
5.根据权利要求3至4中任一项所述的设备，
其中所述T波的所述一个或多个特征包括所述T波的频率，和
其中为了将所述模型应用于所述一个或多个特征以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率，所述设备被配置成将所述模型应用于所述T波的所述频率以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率。
6.根据权利要求1至5中任一项所述的设备，其中为了执行所述补救动作，所述设备被配置成向所述计算设备和外部设备中的至少一个发布在一定时间段内所述患者中将发生所述心律不齐的所述概率的通知。
7.根据权利要求1至6中任一项所述的设备，其中为了执行所述补救动作，所述设备被配置成向所述患者递送药物递送治疗和电起搏治疗中的至少一种。
8.一种系统，其包括根据权利要求1至7中任一项所述的设备，所述系统另外包括：
包括处理电路系统和存储介质的计算设备，所述计算设备被配置成：
接收患者的参数化患者数据；
将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第二时间段内所述患者中将发生心律不齐的第二概率；
确定所述第二概率超过第二预定阈值；和
响应于所述第二概率超过所述第二预定阈值的所述确定，将所述指令发送到所述设备，使所述设备确定在所述第一时间段内所述患者中将发生心律不齐的所述第一概率。
9.根据权利要求8所述的系统，其中所述计算设备另外被配置成接收所述患者的提供者数据，
其中为了应用所述机器学习模型，所述计算设备被配置成将使用多个患者的参数化患者数据和提供者数据训练的机器学习模型应用于所述患者的所述参数化患者数据和所述提供者数据以产生在所述第二时间段内所述患者中将发生所述心律不齐的所述第二概率。
10.根据权利要求8至9中任一项所述的系统，其中所述第一时间段小于约1天并且所述第二时间段大于约1天。
11.根据权利要求8至10中任一项所述的系统，其中所述计算设备另外被配置成：
在将所述指令发送到所述设备之后，从所述设备接收指示在所述第二时间段内所述患者中是否发生所述心律不齐的反馈；和
使用指示在所述第二时间段内所述患者中是否发生所述心律不齐的所述反馈更新所述机器学习模型。
12.根据权利要求8至11中任一项所述的系统，其另外包括外部设备，所述外部设备被配置成：
从所述计算设备接收产生在第三时间段内所述患者中将发生心律不齐的第三概率的指令；
响应于所述指令，处理所述参数化患者数据以产生在所述第三时间段内所述患者中将发生所述心律不齐的所述第三概率；
确定所述第三概率超过第三预定阈值；和
响应于所述第三概率超过所述第三预定阈值的所述确定，将所述指令发送到所述设备，使所述设备确定在所述第一时间段内所述患者中将发生心律不齐的所述第一概率。
13.根据权利要求12所述的系统，其中为了处理所述参数化患者数据以产生在第一第三时段内所述患者中将发生所述心律不齐的所述第三概率，所述外部设备被配置成将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在所述第三时间段内所述患者中将发生所述心律不齐的所述第三概率。
14.一种设备，其包括：
用于收集患者的参数化患者数据的装置；
用于从计算设备接收产生在第一时间段内所述患者中将发生心律不齐的第一概率的指令的装置；
用于响应于所述指令，处理所述参数化患者数据以产生在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率的装置；
用于确定所述第一概率超过第一预定阈值的装置；和
用于响应于所述第一概率超过所述第一预定阈值的所述确定，执行补救动作以减少在所述第一时间段内所述患者中将发生所述心律不齐的所述第一概率的装置。
15.一种计算设备，其包括：
用于接收患者的参数化患者数据的装置；
用于将使用多个患者的参数化患者数据训练的机器学习模型应用于所述参数化患者数据以产生在第一时间段内所述患者中将发生心律不齐的第一概率的装置；
用于确定所述第一概率超过第一预定阈值的装置；和
用于响应于所述第一概率超过所述第一预定阈值的所述确定，将所述指令发送到第二设备，使所述第二设备确定在第二时间段内所述患者中将发生心律不齐的第二概率的装置。
CN201980064900.3A 2018-10-05 2019-10-04 心脏快速性心律失常的多层预测 Pending CN112789083A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862741736P 2018-10-05 2018-10-05
US62/741,736 2018-10-05
PCT/US2019/054841 WO2020072989A2 (en) 2018-10-05 2019-10-04 Multi-tier prediction of cardiac tachyarrythmia

Publications (1)

Publication Number Publication Date
CN112789083A true CN112789083A (zh) 2021-05-11

Family

ID=68296860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980064900.3A Pending CN112789083A (zh) 2018-10-05 2019-10-04 心脏快速性心律失常的多层预测

Country Status (6)

Country Link
US (2) US11679268B2 (zh)
EP (1) EP3860710A2 (zh)
JP (1) JP7333811B2 (zh)
KR (1) KR20210072755A (zh)
CN (1) CN112789083A (zh)
WO (1) WO2020072989A2 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11679268B2 (en) 2018-10-05 2023-06-20 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
CN111292716A (zh) * 2020-02-13 2020-06-16 百度在线网络技术（北京）有限公司 语音芯片和电子设备
EP4356829A2 (en) * 2020-05-08 2024-04-24 Pacesetter, Inc. Method and system for heart condition detection using an accelerometer
US11351382B2 (en) 2020-06-17 2022-06-07 Medtronic, Inc. Detecting the onset of sensing issues using short intervals
WO2022020612A1 (en) * 2020-07-22 2022-01-27 Medtronic, Inc. Detection of treatable events
WO2022066779A1 (en) * 2020-09-24 2022-03-31 The Feinstein Institutes For Medical Research, Inc. Computer-based systems configured for condition measurement modelling to predict an action related to sleeping patterns
US20230404488A1 (en) * 2020-10-21 2023-12-21 University Of Southern California Noninvasive cardiovascular event detection
US11950174B2 (en) * 2020-12-02 2024-04-02 West Affum Holdings Dac Detailed alarm messages and support
WO2023114742A1 (en) * 2021-12-13 2023-06-22 Irhythm Technologies, Inc. Non-invasive cardiac monitor and methods of inferring or predicting a physiological characteristic of a patient
WO2023154809A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Prediction of ventricular tachycardia or ventricular fibrillation termination to limit therapies and emergency medical service or bystander alerts
WO2024014888A1 (ko) * 2022-07-14 2024-01-18 주식회사 메디컬에이아이 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1218060A1 (en) * 1999-10-01 2002-07-03 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US20150065894A1 (en) * 2012-04-23 2015-03-05 Turun Yliopisto Method and apparatus for determining information indicative of cardiac malfunctions and abnormalities
US20160008615A1 (en) * 2014-07-11 2016-01-14 Cardiac Pacemakers, Inc. Systems and methods for treating cardiac arrhythmias
CN106573149A (zh) * 2014-06-25 2017-04-19 心脏起搏器股份公司 用于治疗心律不齐的系统和方法
CN106572807A (zh) * 2014-07-11 2017-04-19 心脏起搏器股份公司 用于医疗设备的省电通信
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
CN108577823A (zh) * 2018-04-27 2018-09-28 京东方科技集团股份有限公司 一种心律失常检测装置和心律失常检测系统

Family Cites Families (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4458691A (en) 1982-02-11 1984-07-10 Arrhythmia Research Technology, Inc. System and method for predicting ventricular tachycardia by adaptive high pass filter
US6594523B1 (en) 1996-05-14 2003-07-15 Pacesetter, Inc. Implantable stimulation device, programmer, and method for automatically evaluating interaction of the device with a patient's heart
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
US6275732B1 (en) 1998-06-17 2001-08-14 Cardiac Pacemakers, Inc. Multiple stage morphology-based system detecting ventricular tachycardia and supraventricular tachycardia
US6493579B1 (en) 1999-08-20 2002-12-10 Cardiac Pacemakers, Inc. System and method for detection enhancement programming
US9183351B2 (en) 2000-05-30 2015-11-10 Vladimir Shusterman Mobile system with network-distributed data processing for biomedical applications
US8438039B2 (en) * 2005-04-27 2013-05-07 Medtronic, Inc. User customizable workflow preferences for remote patient management
US7764996B2 (en) * 2006-10-31 2010-07-27 Cardiac Pacemakers, Inc. Monitoring of chronobiological rhythms for disease and drug management using one or more implantable device
US8706220B2 (en) 2008-04-09 2014-04-22 Medtronic, Inc. Method and apparatus for detecting and treating tachyarrhythmias incorporating diagnostic/therapeutic pacing techniques
US8103346B2 (en) 2008-05-22 2012-01-24 Cardiac Pacemakers, Inc. Regulatory compliant transmission of medical data employing a patient implantable medical device and a generic network access device
KR20140015548A (ko) 2008-12-15 2014-02-06 엑손모빌 케미칼 패턴츠 인코포레이티드 알킬방향족 화합물의 산화
US8706202B2 (en) 2009-01-15 2014-04-22 Medtronic, Inc. Implantable medical device with adaptive signal processing and artifact cancellation
US10588527B2 (en) 2009-04-16 2020-03-17 Braemar Manufacturing, Llc Cardiac arrhythmia report
US20100280841A1 (en) 2009-05-04 2010-11-04 Cardiac Pacemakers, Inc. Adjudication of Arrhythmia Episode Data Systems and Methods
WO2011048592A1 (en) 2009-10-20 2011-04-28 Widemed Ltd. Method and system for detecting cardiac arrhythmia
US9408549B2 (en) 2009-11-03 2016-08-09 Vivaquant Llc Detecting fiducial points in physiological signals
US9585589B2 (en) 2009-12-31 2017-03-07 Cerner Innovation, Inc. Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death
EP2534597B1 (en) 2010-03-15 2018-10-17 Singapore Health Services Pte Ltd Method of predicting the survivability of a patient
US8437842B2 (en) 2010-04-28 2013-05-07 Medtronic, Inc. Method and apparatus for detecting and discriminating tachycardia
KR101736976B1 (ko) 2010-07-05 2017-05-18 삼성전자주식회사 생체 신호를 측정하는 장치 및 방법
EP2691897B1 (en) 2011-03-28 2018-12-05 Koninklijke Philips N.V. System and method for providing family mode for monitoring devices
US8521281B2 (en) 2011-10-14 2013-08-27 Medtronic, Inc. Electrogram classification algorithm
US9307920B2 (en) 2012-04-17 2016-04-12 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
JP6133708B2 (ja) 2013-06-25 2017-05-24 日本光電工業株式会社 生体情報表示装置および生体情報表示装置の作動方法
US10463269B2 (en) 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
US9408551B2 (en) 2013-11-14 2016-08-09 Bardy Diagnostics, Inc. System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer
US9420956B2 (en) 2013-12-12 2016-08-23 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US20190038148A1 (en) 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
CN106102568B (zh) 2014-02-04 2019-09-10 科迪影技术股份有限公司 与治疗部位相关的信号分析
US9483529B1 (en) 2014-02-14 2016-11-01 Twitter, Inc. Selection and presentation of unviewed messages
US10258288B2 (en) 2014-03-24 2019-04-16 Samsung Electronics Co., Ltd. Confidence indicator for physiological measurements using a wearable sensor platform
EP3142542B1 (en) * 2014-05-15 2021-01-06 Cardiac Pacemakers, Inc. Automatic differential diagnosis of worsening heart failure
US9924885B2 (en) * 2014-07-24 2018-03-27 Medtronic, Inc. Rhythm discriminator with immunity to body posture
WO2016025849A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for detecting pipette tip integrity
US9754080B2 (en) 2014-10-21 2017-09-05 uBiome, Inc. Method and system for microbiome-derived characterization, diagnostics and therapeutics for cardiovascular disease conditions
WO2016195366A1 (ko) 2015-06-01 2016-12-08 울산대학교 산학협력단 심실 부정맥 예측 장치 및 그 방법
CN108024748B (zh) 2015-09-28 2021-03-26 深圳迈瑞生物医疗电子股份有限公司 一种监护参数阈值设置方法及监护系统
WO2017059274A1 (en) 2015-10-02 2017-04-06 Cardiac Pacemakers, Inc. Enhanced wearable therapy device paired with insertable cardiac monitor
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
ES2869973T3 (es) 2015-10-27 2021-10-26 Cardiologs Tech Un método automático para delinear o categorizar un electrocardiograma
WO2017091736A1 (en) 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
US10321836B2 (en) 2015-11-30 2019-06-18 Physio-Control, Inc. Context scores to enhance accuracy of ECG readings
US20170156592A1 (en) 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
EP3400056B1 (en) 2016-01-08 2020-05-06 Cardiac Pacemakers, Inc. Obtaining high-resolution information from an implantable medical device
US10441184B2 (en) 2016-03-16 2019-10-15 Ventrilink Corporation Electrocardiogram device and methods
CN108883279B (zh) 2016-04-06 2022-05-03 心脏起搏器股份公司 心律失常检测的置信度
US10750960B2 (en) 2016-05-03 2020-08-25 Samsung Electronics Co., Ltd. Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology
US10849508B2 (en) 2016-06-03 2020-12-01 Fourth Frontier Technologies Pvt. Ltd. System and method for continuous monitoring of blood pressure
US10463295B2 (en) 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
US10529029B2 (en) 2016-09-23 2020-01-07 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis
EP3528702A1 (en) 2016-10-18 2019-08-28 Cardiac Pacemakers, Inc. System for arrhythmia detection
EP3318184B1 (en) * 2016-11-08 2024-01-10 Heart2Save Oy System for determining a probability for a person to have arrhythmia
EP3895605A1 (en) 2016-12-21 2021-10-20 Emory University Methods and systems for determining abnormal cardiac activity
US11915825B2 (en) 2017-02-10 2024-02-27 Alivecor, Inc. Systems and methods of analyte measurement analysis
US20180272147A1 (en) 2017-03-21 2018-09-27 Zoll Medical Corporation Wearable defibrillator integrated with remote ischemic conditioning protocol
US10765379B2 (en) 2017-05-01 2020-09-08 Cardiac Pacemakers, Inc. Systems and methods for medical alert management
US10638979B2 (en) 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
US11382552B2 (en) 2017-07-26 2022-07-12 Cardiac Pacemakers, Inc. Reducing false alarms in cardiac monitoring devices
US20190090774A1 (en) 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
US11291401B2 (en) 2017-10-03 2022-04-05 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
JP6912998B2 (ja) 2017-10-25 2021-08-04 株式会社日立製作所 データ分析装置、データ分析方法、およびデータ分析プログラム
CN108030488A (zh) 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
AU2018386091B2 (en) 2017-12-13 2024-01-04 Washington University System and method for determining segments for ablation
US11147459B2 (en) 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11763943B2 (en) 2018-03-02 2023-09-19 Preventice Solutions, Inc. Automated ventricular ectopic beat classification
US10960213B2 (en) 2018-03-12 2021-03-30 Zoll Medical Corporation Verification of cardiac arrhythmia prior to therapeutic stimulation
EP3556281A1 (en) 2018-04-17 2019-10-23 Koninklijke Philips N.V. Device, system and method for supporting detection of return of spontaneous circulation during cardiopulmonary resuscitation
EP3790622B1 (en) 2018-05-08 2023-05-31 Cardiac Pacemakers, Inc. Systems for detecting arrhythmias
US20210204858A1 (en) 2018-05-31 2021-07-08 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
US20190365342A1 (en) 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
EP3582228A1 (en) 2018-06-12 2019-12-18 Bittium Biosignals Oy Method, system and mobile communications device medical for optimizing clinical care delivery
GB2582124A (en) 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
US11679268B2 (en) 2018-10-05 2023-06-20 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
JP2022505154A (ja) 2018-10-19 2022-01-14 ギブン イメージング リミテッド 生体内画像ストリームの精査用情報を生成及び表示するためのシステム並びに方法
US10869610B2 (en) 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1218060A1 (en) * 1999-10-01 2002-07-03 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US20150065894A1 (en) * 2012-04-23 2015-03-05 Turun Yliopisto Method and apparatus for determining information indicative of cardiac malfunctions and abnormalities
CN106573149A (zh) * 2014-06-25 2017-04-19 心脏起搏器股份公司 用于治疗心律不齐的系统和方法
US20160008615A1 (en) * 2014-07-11 2016-01-14 Cardiac Pacemakers, Inc. Systems and methods for treating cardiac arrhythmias
CN106572807A (zh) * 2014-07-11 2017-04-19 心脏起搏器股份公司 用于医疗设备的省电通信
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
CN108577823A (zh) * 2018-04-27 2018-09-28 京东方科技集团股份有限公司 一种心律失常检测装置和心律失常检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郝应禄;李燕萍;李晓霞;梁梅;潘云席;廖德荣;王劲松;钱宝堂;郭涛;: "埋藏式心脏复律除颤器在快速性室性致死性心律失常患者中的应用", 实用医学杂志, no. 23, 10 December 2010 (2010-12-10) *

Also Published As

Publication number Publication date
US20230330425A1 (en) 2023-10-19
JP7333811B2 (ja) 2023-08-25
US11679268B2 (en) 2023-06-20
WO2020072989A2 (en) 2020-04-09
EP3860710A2 (en) 2021-08-11
US20200108260A1 (en) 2020-04-09
JP2022503565A (ja) 2022-01-12
KR20210072755A (ko) 2021-06-17
WO2020072989A3 (en) 2020-07-23

Similar Documents

Publication Publication Date Title
US11679268B2 (en) Multi-tier prediction of cardiac tachyarrythmia
US20230320648A1 (en) Arrhythmia detection with feature delineation and machine learning
US11583687B2 (en) Selection of probability thresholds for generating cardiac arrhythmia notifications
US20230329624A1 (en) Visualization of arrhythmia detection by machine learning
US11475998B2 (en) Data preparation for artificial intelligence-based cardiac arrhythmia detection
CN113164065A (zh) 用于解决错误确定的心力衰竭监测算法的修改
US20230248319A1 (en) Personalization of artificial intelligence models for analysis of cardiac rhythms
US20220023626A1 (en) Tiered detection of treatable events
US9440088B2 (en) Implanted lead analysis system and method
US20200178826A1 (en) Systems and methods for detecting arrhythmias
US20220257184A1 (en) Short-term variability sensing to anticipate tachyarrhythmias
WO2023203437A1 (en) High-resolution diagnostic data system for patient recovery after heart failure intervention
EP4294272A1 (en) Short-term variability sensing to anticipate tachyarrhythmias

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination